引導式測驗 · 中等 等級

異常檢測測驗

評估為什麼異常難以標記、隔離森林和局部密度方法有何不同,以及為什麼部署的基線會發生漂移。

相關引導路徑異常檢測
問題 1 的 8

為什麼異常檢測模型通常主要針對「正常」資料而不是標記的異常進行訓練?

預覽每個問題8 問題

當您參加測驗時,就會出現答案和解釋。

  1. 為什麼異常檢測模型通常主要針對「正常」資料而不是標記的異常進行訓練?
    • 正常數據是非法標記的
    • 模型根本無法處理異常
    • 普通數據不需要計算
    • 異常現像很少見,標記的例子也很少
  2. 隔離森林如何識別異常?
    • 異常在較少的隨機分割中被隔離,從而提供較短的路徑長度
    • 異常需要許多隨機分割來隔離
    • 它測量每個數據點的顏色
    • 它首先按標籤對點進行聚類
  3. 當自動編碼器用於異常檢測時,什麼訊號表示異常?
    • 低重建誤差
    • 不熟悉的輸入導致較高的重建錯誤
    • 更快的訓練時間
    • 網路中有更多層
  4. 局部離群因子方法主要依賴什麼?
    • 功能的字母順序
    • 資料集的總檔案大小
    • 給定點周圍點的密度
    • 已知詐欺案件的固定清單
  5. 對於已部署的異常檢測系統來說,哪一個是現實的挑戰?
    • 異常現象永遠不會隨著時間的推移而改變
    • 正常數據總是被完美標記
    • 異常值始終是大多數數據
    • 「正常」的定義可能會發生變化,需要適應
  6. 哪個應用程式是異常檢測的經典應用?
    • 偵測詐騙信用卡交易
    • 按字母順序對照片進行排序
    • 在語言之間翻譯文本
    • 壓縮視訊檔案
  7. 在 Isolation Forest 工作流程中,污染(contamination)設定通常代表什麼?
    • 包含音訊的訓練樹數量
    • 用於設定閾值的假設或預期離群值比例
    • 記錄被加密的機率
    • 正常點的平均深度
  8. 為什麼應該結合領域背景來審查異常分數?
    • 異常分數並不能直接證明詐欺
    • 所有正常資料都具有相同的分佈
    • 罕見但有效的事件看起來可能會不尋常,且錯誤的成本也不同
    • 模型分數無法取代實際調查