引导式测验 · 中等 等级

类别不平衡和重采样测验

测试何时对稀有类别进行重新采样或重新加权、数据泄漏是如何发生的以及哪些指标在类别不平衡的情况下仍然有用。

相关引导路径类不平衡和重采样
问题 1 的 8

为什么简单准确率对于高度不平衡的分类问题来说是一个糟糕的指标？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. 为什么简单准确率对于高度不平衡的分类问题来说是一个糟糕的指标？
    • 仅通过始终预测多数类别，模型就可以得分非常高
    • 当类别不平衡时无法计算准确性
    • 准确性仅适用于回归
    • 它需要定义完美平衡的数据
  2. SMOTE 是做什么的？
    • 随机删除多数类样本
    • 通过在邻居之间插值生成合成少数样本
    • 提高稀有类别的学习率
    • 将分类问题转化为回归问题
  3. 哪种方法可以在不改变训练示例数量的情况下处理不平衡？
    • 随机过采样
    • 对大多数人进行欠采样
    • 损失函数中的类别权重
    • 斯莫特
  4. 在将数据拆分为训练集和测试集之前应用过采样的主要风险是什么？
    • 它使训练变慢
    • 它删除了多数类
    • 总是会导致欠拟合
    • 重复或合成的少数点可能会泄漏到测试集中，导致分数夸大
  5. 随机欠采样的主要缺点是什么？
    • 它丢弃了潜在有用的多数类数据
    • 它创建可能不切实际的虚假数据
    • 它仅适用于图像数据
    • 它总是增加训练时间
  6. 哪种指标最适合评估罕见阳性数据的模型？
    • 整体准确度
    • 准确率-召回率 AUC 或 F1 分数
    • 均方误差
    • 训练纪元数
  7. 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
  8. Which metric does the guide name as an additional option for rare-positive classification?
    • Mean squared error only
    • BLEU 分数
    • Silhouette coefficient
    • Matthews Correlation Coefficient (MCC)