异常检测测验

当您参加测验时，就会出现答案和解释。

1. 为什么异常检测模型通常主要针对“正常”数据而不是标记的异常进行训练？
   • 正常数据是非法标记的
   • 模型根本无法处理异常
   • 普通数据不需要计算
   • 异常现象很少见，标记的例子也很少
2. 隔离森林如何识别异常？
   • 异常在较少的随机分割中被隔离，从而提供较短的路径长度
   • 异常需要许多随机分割来隔离
   • 它测量每个数据点的颜色
   • 它首先按标签对点进行聚类
3. 当自动编码器用于异常检测时，什么信号表明异常？
   • 低重建误差
   • 不熟悉的输入导致较高的重建错误
   • 更快的训练时间
   • 网络中有更多层
4. 局部离群因子方法主要依赖什么？
   • 功能的字母顺序
   • 数据集的总文件大小
   • 给定点周围点的密度
   • 已知欺诈案件的固定清单
5. 对于已部署的异常检测系统来说，哪一个是现实的挑战？
   • 异常现象永远不会随着时间的推移而改变
   • 正常数据总是被完美标记
   • 异常值始终是大多数数据
   • “正常”的定义可能会发生变化，需要适应
6. 哪个应用程序是异常检测的经典应用？
   • 检测欺诈性信用卡交易
   • 按字母顺序对照片进行排序
   • 在语言之间翻译文本
   • 压缩视频文件
7. What does the contamination setting commonly represent in an Isolation Forest workflow?
   • The number of training trees that contain audio
   • An assumed or expected proportion of outliers used for thresholding
   • The probability a record was encrypted
   • The average depth of a normal point
8. Why should anomaly scores be reviewed with domain context?
   • An anomaly score always proves fraud
   • All normal data has an identical distribution
   • Rare but valid events can look unusual, and errors have different costs
   • A model score replaces an investigation