Font size
WorksheetsDS_jun_Lesson_11
Total questions: 18
Worksheet time: 8mins
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.
Зачем в алгоритмах указывают параметр random_state?
Программисты любят всё усложнять.
Чтобы новые результаты обучения каждый раз не совпадали с предыдущими.
Параметр указывается, чтобы повторить удачный эксперимент.
Если будете читать код, легко по нему угадаете, какая модель получится.
Выберите правильное утверждение:
Переобучение означает, что модель плохо поняла зависимости в данных.
Если на тестовой выборке низкое качество, модель переобучена.
Если модель легко применяет знания к новым данным, перед вами — переобучение.
Высокое качество модели на обучающей выборке говорит о переобучении.
Какие виды расстояний между объектами вы знаете?
Евклидово расстояние
Расстояние Манхэттена
Энтропное Расстояние
Расстояние Чебышева
Какого из видов кросс-валидации не существует?
LeaveOneOut
StratifiedKFold
SimilarFoldCV
Hold-Out CV
Как называется метод кодирования категориальных признаков, когда мы высчитываем значения на основе целевой переменной?
Label Encoding
One-Hot Encoding
Target Encoding
Frequency Encoding
Назовите метрику регрессии, которая меняется в диапазоне от 0 до 1? Ответ напишите маленькими буквами(например - mae)
(a)
Что такое функция потерь в контексте обучения моделей в машинном обучении?
Функция, которая уменьшает потери данных в процессе обучения
Функция, которая оценивает ошибку модели и помогает ее минимизировать
Функция, которая увеличивает точность предсказаний модели
Функция, которая увеличивает скорость обучения модели
Какие методы используются для оценки важности признаков в модели машинного обучения?
Анализ графиков, использование только числовых признаков, уменьшение объема данных
Перебор признаков, анализ весов модели, использование метрик важности признаков
Увеличение сложности модели, уменьшение разнообразия данных, использование только категориальных признаков
Использование только одного типа алгоритмов
