DS_jun_Lesson_11

Что такое кросс-валидация?

• Кросс-валидация - это метод визуализации данных.

• Кросс-валидация - это способ увеличения объема данных.

• Кросс-валидация - это метод оценки модели машинного обучения.

• Кросс-валидация - это техника оптимизации гиперпараметров.

Какова основная цель гиперпараметров в KNN?

• Снижение точности предсказаний.

• Увеличение сложности модели.

• Оптимизация производительности модели.

• Определение числа соседей в KNN.

Что такое ROC AUC и зачем он нужен?

• ROC AUC - это графическое представление распределения данных.

• ROC AUC - это метод для оценки линейной регрессии.

• ROC AUC - это алгоритм для кластеризации данных.

• ROC AUC - это метрика для оценки качества бинарных классификаторов, показывающая их способность различать классы.

Какова формула для расчета F1 Score?

• F1 = 2 * (Precision * Recall) / (Precision + Recall)

• F1 = 2 * (Precision + Recall) / (Precision * Recall)

• F1 = (Precision * Recall) / 2

• F1 = Precision + Recall

Назовите один из видов кросс-валидации.

• параметрическая кросс-валидация

• k-fold кросс-валидация

• мощная кросс-валидация

• попарная кросс-валидация

В чем разница между K-fold и Stratified кросс-валидацией?

• K-fold кросс-валидация делит данные неравные части, независимо от классов.

• Stratified кросс-валидация всегда дает более высокую точность, чем K-fold.

• K-fold кросс-валидация не учитывает распределение классов, в то время как Stratified кросс-валидация сохраняет пропорции классов.

• K-fold кросс-валидация используется только для регрессионных задач.

Как влияет количество соседей на производительность KNN?

• Количество соседей определяет скорость работы KNN.

• Увеличение количества соседей всегда улучшает точность KNN.

• Количество соседей влияет на баланс между переобучением и недообучением в KNN.

• Количество соседей не влияет на производительность KNN.

Что означает значение AUC в ROC-кривой?

• AUC в ROC-кривой указывает на количество классов в модели.

• AUC в ROC-кривой означает площадь под кривой, отражающую качество классификации.

• AUC в ROC-кривой представляет собой среднее значение всех предсказаний.

• AUC в ROC-кривой означает уровень точности модели.

Как интерпретировать F1 Score?

• F1 Score is irrelevant in classification tasks.

• F1 Score only measures accuracy.

• F1 Score is a measure of the number of true negatives.

• F1 Score is a metric that balances precision and recall.

Почему важно использовать кросс-валидацию при обучении модели?

• Кросс-валидация используется для увеличения размера обучающей выборки.

• Кросс-валидация помогает ускорить процесс обучения модели.

• Кросс-валидация важна для оценки обобщающей способности модели.

• Кросс-валидация необходима для уменьшения сложности модели.