引导式测验 · 中等 等级

朴素贝叶斯分类器测验

检查朴素贝叶斯如何结合类先验和特征可能性，以及其变体如何处理计数、二进制特征和连续数据。

相关引导路径朴素贝叶斯分类器
问题 1 的 8

朴素贝叶斯分类器的核心“朴素”假设是什么？

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. 朴素贝叶斯分类器的核心“朴素”假设是什么？
    • 给定类别，特征是有条件独立的
    • 类别的可能性相同
    • 所有特征都是连续且正态分布的
    • 数据集完美平衡
  2. 朴素贝叶斯基于哪个定理？
    • 中心极限定理
    • Bayes’ theorem
    • 大数定律
    • The Cauchy-Schwarz inequality
  3. 为什么实现通常对对数概率求和而不是乘以原始概率？
    • 使模型非线性
    • 将训练速度加快到单次传递
    • 避免因乘以许多小数而导致数值下溢
    • 强制功能独立性
  4. 拉普拉斯（加一）平滑解决什么问题？
    • 它平衡了班级规模
    • 它规范化连续特征
    • 它删除了相关特征
    • 它可以防止看不见的特征强制概率为零
  5. 对于文档中的字数特征，哪种朴素贝叶斯变体最自然？
    • 多项式朴素贝叶斯
    • 高斯朴素贝叶斯
    • 伯努利朴素贝叶斯
    • 线性朴素贝叶斯
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • 它保证任何数据集的最佳准确性
    • 它速度快、可解释，并且在数据很少的情况下也能很好地工作
    • 它自动学习功能交互
    • 它不需要训练数据
  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