Вікторина, пов’язана з посібником · легко Рівень

Вікторина «Матриці плутанини».

Подивіться, як підрахунки матриці плутанини виявляють помилки класифікатора, підтримують загальні показники та відрізняються в різних класах і бібліотеках.

Пов'язані напрямні шляхиМатриці плутанини
Питання 1 з 8

У двійковій матриці плутанини, що таке хибно-від’ємне значення?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. У двійковій матриці плутанини, що таке хибно-від’ємне значення?
    • Позитивний випадок модель неправильно передбачила як негативний
    • Негатив правильно передбачив як негатив
    • Негатив неправильно передбачили як позитивний
    • Позитив правильно передбачив як позитивний
  2. Точність обчислюється як:
    • TP / (TP + FN)
    • TP / (TP + FP)
    • TN / (TN + FP)
    • (ТП + ТН) / заг
  3. Який показник вимірює частку фактичних позитивних результатів, які модель правильно визначає?
    • Точність
    • Специфіка
    • Відкликати
    • Точність
  4. Що означають діагональні клітинки в матриці плутанини для задачі з 5 класами?
    • Невірні прогнози
    • Лише помилкові спрацьовування
    • Загальна кількість проб
    • Правильні передбачення для кожного класу
  5. Чому сама по собі точність може ввести в оману без матриці плутанини?
    • Він приховує баланс між різними типами помилок, як-от помилкові спрацьовування та помилкові негативи
    • Точність завжди помиляється
    • Його не можна обчислити для бінарних задач
    • Це вимагає ймовірностей замість міток
  6. Оцінка F1 є гармонійним середнім яких двох показників?
    • Точність і конкретність
    • Точність і відкликання
    • Чутливість і специфічність
    • Істинний позитив і справжній мінус
  7. In a binary confusion matrix, which count is a False Positive?
    • An actual positive that the model predicts as positive
    • An actual positive that the model predicts as negative
    • An actual negative that the model predicts as positive
    • An actual negative that the model predicts as negative
  8. Why should you check a library's confusion-matrix axis labels before calculating precision or recall?
    • The diagonal always contains false positives
    • Axis order changes the number of observations in the dataset
    • Precision and recall use no confusion-matrix cells
    • Libraries may place true classes in rows and predicted classes in columns, or use a different orientation