引導式測驗 · 中等 等級
類別不平衡和重採樣測驗
測試何時應重新取樣或重新加權稀有類別、資料洩漏如何產生,以及在類別不平衡下哪些指標仍然有用。
問題 1 的 8
為什麼簡單準確率對於高度不平衡的分類問題來說是一個糟糕的指標?
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。
- 為什麼簡單準確率對於高度不平衡的分類問題來說是一個糟糕的指標?
- 僅透過始終預測多數類別,模型就可以得分非常高
- 類別不平衡時無法計算準確性
- 準確性僅適用於回歸
- 它需要定義完美平衡的數據
- SMOTE 是做什麼的?
- 隨機刪除多數類別樣本
- 透過在鄰居之間插值生成合成少數樣本
- 提高稀有類別的學習率
- 將分類問題轉換為迴歸問題
- 哪種方法可以在不改變訓練範例數量的情況下處理不平衡?
- 隨機過採樣
- 對大多數人進行欠採樣
- 損失函數中的類別權重
- 史莫特
- 在將資料拆分為訓練集和測試集之前應用過採樣的主要風險是什麼?
- 它使訓練變慢
- 它刪除了多數類
- 總是會導致欠擬合
- 重複或合成的少數點可能會洩漏到測試集中,導致分數誇大
- 隨機欠採樣的主要缺點是什麼?
- 它丟棄了潛在有用的多數類數據
- 它創建可能不切實際的虛假數據
- 它僅適用於圖像數據
- 它總是增加訓練時間
- 哪一種指標最適合評估罕見陽性資料的模型?
- 整體準確度
- 準確率-召回率 AUC 或 F1 分數
- 均方誤差
- 訓練紀元數
- 訓練後調整決策閾值會改變什麼?
- 模型中的特徵數量
- 訓練資料中的類別比例
- 在不改變訓練範例的情況下,正負標籤範例之間的取捨
- 模型自動學習的權重
- 指南將哪項指標列為稀有正例分類時的額外選項?
- 僅限均方誤差
- BLEU 分數
- Silhouette 係數
- Matthews 相關係數 (MCC)