Basis van machine learning

Bij gegevens van 1000 items, waarvan er maar 10 positief zijn: wat is de accuracy van een model dat elk item als negatief voorspelt?

A0%
B1%
C99%

Antwoord en toelichting tonen

Antwoord: C. 99%

Als alles als negatief wordt voorspeld, zijn alle 990 negatieven juist en alle 10 positieven fout, dus de accuracy is 990 ÷ 1000 = 99%. Anderzijds vindt het model geen enkel positief geval; de recall is 0%, en het model is nutteloos als het doel is positieven te vinden, zoals bij het opsporen van ziekte of fraude. Bij gegevens waarin de klassen sterk ongelijk vertegenwoordigd zijn (onevenwichtige gegevens) worden modellen daarom niet alleen op accuracy beoordeeld, maar ook op precisie, recall, de F1-score enzovoort. Tegenmaatregelen zijn onder meer fouten in de kleinste klasse zwaarder laten wegen en sampling die het aantal gegevenspunten per klasse gelijktrekt.

Dit onderwerp oefenen Naar de onderwerppagina

Meer vragen over Basis van machine learning

Vier gegevenspunten hebben de werkelijke waarden 3, 5, 2 en 6, en het model voorspelt daarvoor 2, 5, 4 en 4. Wat is de gemiddelde kwadratische fout (MSE)?
Met de kleinstekwadratenmethode wordt een rechte y = ax + b aangepast aan de drie gegevenspunten (x, y) = (1, 3), (2, 4) en (3, 8). Wat is de voorspelde waarde bij x = 4?
Bij logistische regressie wordt z = 2x − 4 door de sigmoïdefunctie σ(z) = 1 ÷ (1 + e^(−z)) gehaald, en het resultaat wordt uitgevoerd als de kans dat het item positief is. Wat is de uitvoer bij x = 2?
Een knoop van een beslisboom bevat 6 gegevenspunten van klasse A en 4 van klasse B. Wat is de Gini-onzuiverheid van deze knoop?
Welke beschrijving van het verschil tussen bagging (random forests en dergelijke) en boosting bij ensemble learning is juist?