Вікторина, пов’язана з посібником · Середній Рівень

Вікторина «Наївні класифікатори Байєса».

Перевірте, як Naive Bayes поєднує попередні класи та ймовірності ознак, і як його варіанти обробляють підрахунки, двійкові функції та безперервні дані.

Пов'язані напрямні шляхиНаївні байєсівські класифікатори
Питання 1 з 8

Яке основне «наївне» припущення в наївному класифікаторі Байєса?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Яке основне «наївне» припущення в наївному класифікаторі Байєса?
    • Ознаки умовно незалежні від класу
    • Заняття однаково ймовірні
    • Усі функції безперервні та нормально розподілені
    • Набір даних ідеально збалансований
  2. На основі якої теореми побудовано наївний Байєс?
    • Центральна гранична теорема
    • Bayes’ theorem
    • Закон великих чисел
    • The Cauchy-Schwarz inequality
  3. Чому реалізації зазвичай підсумовують логарифмічні ймовірності замість множення необроблених ймовірностей?
    • Зробити модель нелінійною
    • Для прискорення навчання до одного проходу
    • Щоб уникнути числового переповнення від множення багатьох малих чисел
    • Щоб забезпечити незалежність функцій
  4. Яку проблему вирішує згладжування за Лапласом (add-one)?
    • Це врівноважує розмір класу
    • Він нормалізує безперервні функції
    • Він видаляє корельовані функції
    • Це запобігає невидимій функції з нульової ймовірності
  5. Який варіант Наївного Байєса найбільш природний для функцій підрахунку слів у документах?
    • Багаточлен наївного Байєса
    • Гаусівський наївний Байєс
    • Бернуллі Наївний Байєс
    • Лінійний наївний Байєс
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • Це гарантує найкращу точність будь-якого набору даних
    • Він швидкий, інтерпретований і добре працює з невеликою кількістю даних
    • Він автоматично вивчає взаємодію функцій
    • Для цього не потрібні навчальні дані
  7. What distribution does Gaussian Naive Bayes assume for each feature within a class?
    • A uniform distribution over every possible value
    • A multinomial distribution over word counts
    • A Gaussian (normal) distribution
    • A distribution that is always exactly zero
  8. Which feature representation fits Bernoulli Naive Bayes most naturally?
    • The number of times each word occurs
    • A continuous pixel intensity modeled by a normal curve
    • A sequence of audio frames
    • Whether each word is present or absent in a document