Вікторина, пов’язана з посібником · Середній Рівень

Тест про дисбаланс класу та повторну вибірку

Тестує, коли повторно вибірку чи перезважування рідкісних класів, як виникає витік даних і які показники залишаються корисними за дисбалансу класів.

Пов'язані напрямні шляхиДисбаланс класів і повторна вибірка
Питання 1 з 8

Чому звичайна точність є поганою метрикою для надзвичайно незбалансованої проблеми класифікації?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Чому звичайна точність є поганою метрикою для надзвичайно незбалансованої проблеми класифікації?
    • Модель може отримати дуже високі оцінки, просто завжди передбачаючи клас більшості
    • Точність неможливо обчислити, коли класи незбалансовані
    • Точність працює лише для регресії
    • Для цього потрібні ідеально збалансовані дані
  2. Що робить SMOTE?
    • Довільно видаляє зразки мажоритарного класу
    • Генерує синтетичні зразки меншості шляхом інтерполяції між сусідами
    • Збільшує швидкість навчання для рідкісних класів
    • Перетворює проблему класифікації на регресію
  3. Який підхід справляється з дисбалансом БЕЗ зміни кількості навчальних прикладів?
    • Випадкова передискретизація
    • Недобірка більшості
    • Зважування класу у функції втрат
    • ПРИГРИТИ
  4. У чому полягає основний ризик застосування надмірної вибірки перед розділенням даних на набори тренувань і тестів?
    • Це сповільнює тренування
    • Це видаляє клас більшості
    • Це завжди призводить до недостатнього оснащення
    • Дубльовані або синтетичні бали меншості можуть просочитися в тестовий набір, завищуючи бали
  5. Який головний недолік випадкової недостатньої вибірки?
    • Він відкидає потенційно корисні дані мажоритарного класу
    • Він створює підроблені дані, які можуть бути нереалістичними
    • Він працює лише для даних зображень
    • Це завжди збільшує час навчання
  6. Який показник найбільш підходить для оцінки моделі на рідко позитивних даних?
    • Загальна точність
    • Оцінка Precision-Recall AUC або F1
    • Середня квадратична помилка
    • Кількість епох навчання
  7. What does adjusting the decision threshold after training change?
    • The number of features in the model
    • The class proportions in the training data
    • The trade-off between which examples are labeled positive and negative without changing the training examples
    • The model’s learned weights automatically
  8. Which metric does the guide name as an additional option for rare-positive classification?
    • Mean squared error only
    • BLEU score
    • Silhouette coefficient
    • Matthews Correlation Coefficient (MCC)