Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ
Bài kiểm tra mất cân bằng lớp và lấy mẫu lại
Kiểm tra thời điểm lấy mẫu lại hoặc cân nhắc lại các lớp hiếm, sự rò rỉ dữ liệu phát sinh như thế nào và số liệu nào vẫn hữu ích trong điều kiện mất cân bằng lớp.
Câu hỏi 1 của 8
Tại sao độ chính xác đơn giản lại là thước đo kém đối với vấn đề phân loại mất cân bằng cao?
Xem trước mọi câu hỏi8 câu hỏi
Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.
- Tại sao độ chính xác đơn giản lại là thước đo kém đối với vấn đề phân loại mất cân bằng cao?
- Một mô hình có thể đạt điểm rất cao chỉ bằng cách luôn dự đoán được lớp đa số
- Độ chính xác không thể được tính toán khi các lớp bị mất cân bằng
- Độ chính xác chỉ hoạt động cho hồi quy
- Nó đòi hỏi dữ liệu cân bằng hoàn hảo để được xác định
- SMOT làm gì?
- Xóa ngẫu nhiên các mẫu thuộc lớp đa số
- Tạo các mẫu thiểu số tổng hợp bằng cách nội suy giữa các nước láng giềng
- Tăng tỷ lệ học tập cho các lớp hiếm
- Chuyển đổi một vấn đề phân loại thành hồi quy
- Cách tiếp cận nào xử lý sự mất cân bằng mà KHÔNG thay đổi số lượng mẫu huấn luyện?
- Lấy mẫu quá mức ngẫu nhiên
- Lấy mẫu dưới đa số
- Trọng số lớp trong hàm mất
- NHẸ
- Rủi ro chính của việc áp dụng lấy mẫu quá mức trước khi chia dữ liệu của bạn thành tập huấn luyện và tập kiểm tra là gì?
- Nó làm cho việc đào tạo chậm hơn
- Nó xóa lớp đa số
- Nó luôn gây ra tình trạng thiếu trang phục
- Điểm thiểu số trùng lặp hoặc tổng hợp có thể bị rò rỉ vào tập kiểm tra, làm tăng điểm
- Nhược điểm chính của việc lấy mẫu ngẫu nhiên là gì?
- Nó loại bỏ dữ liệu đa số có khả năng hữu ích
- Nó tạo ra dữ liệu giả mạo có thể không thực tế
- Nó chỉ hoạt động với dữ liệu hình ảnh
- Nó luôn tăng thời gian đào tạo
- Số liệu nào phù hợp nhất để đánh giá một mô hình trên dữ liệu dương tính hiếm gặp?
- Độ chính xác tổng thể
- Điểm AUC hoặc F1 thu hồi chính xác
- Sai số bình phương trung bình
- Số đợt đào tạo
- 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
- 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)