Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra phân loại của Naive Bayes

Kiểm tra cách Naive Bayes kết hợp các ưu tiên của lớp và khả năng của tính năng cũng như cách các biến thể của nó xử lý số lượng, tính năng nhị phân và dữ liệu liên tục.

Đường dẫn hướng dẫn liên quanBộ phân loại Naive Bayes
Câu hỏi 1 của 8

Giả định 'ngây thơ' cốt lõi trong bộ phân loại Naive Bayes là gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Giả định 'ngây thơ' cốt lõi trong bộ phân loại Naive Bayes là gì?
    • Các tính năng độc lập có điều kiện với lớp
    • Các lớp đều có khả năng như nhau
    • Tất cả các tính năng đều liên tục và được phân phối bình thường
    • Tập dữ liệu được cân bằng hoàn hảo
  2. Naive Bayes được xây dựng dựa trên định lý nào?
    • Định lý giới hạn trung tâm
    • Bayes’ theorem
    • Luật số lớn
    • The Cauchy-Schwarz inequality
  3. Tại sao việc triển khai thường tính tổng xác suất nhật ký thay vì nhân xác suất thô?
    • Để làm cho mô hình phi tuyến
    • Để tăng tốc độ luyện tập chỉ trong một lần
    • Để tránh tình trạng tràn số khi nhân nhiều số nhỏ
    • Để thực thi tính độc lập của tính năng
  4. Làm mịn Laplace (thêm một) giải quyết vấn đề gì?
    • Nó cân bằng quy mô lớp học
    • Nó bình thường hóa các tính năng liên tục
    • Nó loại bỏ các tính năng tương quan
    • Nó ngăn chặn một tính năng không nhìn thấy được tạo ra xác suất bằng 0
  5. Biến thể Naive Bayes nào là tự nhiên nhất đối với tính năng đếm từ trong tài liệu?
    • Vịnh Naive đa thức
    • Vịnh ngây thơ Gaussian
    • Bernoulli Naive Bayes
    • Vịnh ngây thơ tuyến tính
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • Nó đảm bảo độ chính xác tốt nhất trên bất kỳ tập dữ liệu nào
    • Nó nhanh, dễ hiểu và hoạt động tốt với ít dữ liệu
    • Nó tự động tìm hiểu các tương tác tính năng
    • Nó không yêu cầu dữ liệu đào tạo
  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