QuizPilot › Fanlar › Informatika
Informatika

Xatolikarni hisoblash metrikalari va aniqlikni bah

muallif: ruxwona_017 · 20 ta savol · 2 saqlash
QuizPilotda o'ynash
#1
1) Quyidagi xatolik metrikalaridan qaysi biri modelning katta xatoliklarga bo'lgan sezgirligini oshiradi va prognoz xatolarining kvadratini hisobga oladi?
  1. R² (Coefficient of Determination)
  2. RMSE (Root Mean Squared Error)
  3. MAE (Mean Absolute Error)
  4. MSE (Mean Squared Error)
Javobni ko'rish
MSE (Mean Squared Error)
#2
2) Klassifikatsiya modelining aniqligini baholashda, sinflar mutanosib bo'lmagan holatlarda (ya'ni, bir sinf boshqasidan sezilarli darajada ko'proq bo'lsa) qaysi metrika yolg'on tasavvur berishi mumkin?
  1. F1-Score
  2. Accuracy (Aniqlik)
  3. ROC-AUC (Receiver Operating Characteristic - Area Under the Curve)
  4. Recall (To'liqlik)
Javobni ko'rish
Accuracy (Aniqlik)
#3
3) Regressiya modelining ishlashini baholashda, prognozlangan va haqiqiy qiymatlar orasidagi mutlaq farqlarning o'rtacha qiymatini hisoblaydigan metrika qaysi?
  1. MAPE (Mean Absolute Percentage Error)
  2. MAE (Mean Absolute Error)
  3. R² (Coefficient of Determination)
  4. RMSE (Root Mean Squared Error)
Javobni ko'rish
MAE (Mean Absolute Error)
#4
4) Adashtirish matritsasi (Confusion Matrix) tarkibidagi 'True Positive' (TP) nimani anglatadi?
  1. Barcha to'g'ri bashorat qilingan holatlar soni
  2. Model tomonidan musbat deb bashorat qilingan va aslida musbat bo'lgan holatlar soni
  3. Model tomonidan musbat deb bashorat qilingan, ammo aslida manfiy bo'lgan holatlar soni
  4. Model tomonidan manfiy deb bashorat qilingan va aslida manfiy bo'lgan holatlar soni
Javobni ko'rish
Model tomonidan musbat deb bashorat qilingan va aslida musbat bo'lgan holatlar soni
#5
5) Klassifikatsiya modelining 'Precision' (Aniqlovchanlik) metri kasi qaysi savolga javob beradi?
  1. Modelning manfiy holatlarni to'g'ri aniqlay olish darajasi qanday?
  2. Model tomonidan manfiy deb tasniflangan barcha holatlardan qanchasi aslida manfiy?
  3. Model tomonidan musbat deb tasniflangan barcha holatlardan qanchasi aslida musbat?
  4. Modelning umumiy to'g'ri tasniflash darajasi qanday?
Javobni ko'rish
Model tomonidan musbat deb tasniflangan barcha holatlardan qanchasi aslida musbat?
#6
6) Xatoliklarni hisoblash metrikalaridan qaysi biri modelning bashoratlari va haqiqiy qiymatlar o'rtasidagi farqlarning foizini o'lchaydi?
  1. RMSE (Root Mean Squared Error)
  2. MSE (Mean Squared Error)
  3. MAPE (Mean Absolute Percentage Error)
  4. R² (Coefficient of Determination)
Javobni ko'rish
MAPE (Mean Absolute Percentage Error)
#7
7) Klassifikatsiya modelining 'Recall' (To'liqlik) metri kasi qaysi savolga javob beradi?
  1. Model tomonidan musbat deb tasniflangan barcha holatlardan qanchasi aslida musbat?
  2. Modelning barcha haqiqiy musbat holatlardan qanchasini to'g'ri aniqlay olish darajasi qanday?
  3. Modelning umumiy to'g'ri tasniflash darajasi qanday?
  4. Model tomonidan manfiy deb tasniflangan barcha holatlardan qanchasi aslida manfiy?
Javobni ko'rish
Modelning barcha haqiqiy musbat holatlardan qanchasini to'g'ri aniqlay olish darajasi qanday?
#8
8) Regressiya modelida R² (Coefficient of Determination) qiymati qanday diapazonda bo'ladi va u nimani anglatadi?
  1. 0 dan 1 gacha; modelning o'zgaruvchanlikning qancha qismini tushuntira olishini ko'rsatadi.
  2. 0 dan cheksizlikka qadar; xatoliklarning o'rtacha kvadratini ifodalaydi.
  3. Har doim 0 dan katta; modelning aniqlik darajasini ko'rsatadi.
  4. Har qanday real son bo'lishi mumkin; modelning tushuntirish kuchini ifodalaydi, ba'zida 0 dan pastga tushishi ham mumkin.
Javobni ko'rish
Har qanday real son bo'lishi mumkin; modelning tushuntirish kuchini ifodalaydi, ba'zida 0 dan pastga tushishi ham mumkin.
#9
9) F1-Score metri kasidan foydalanish qachon maqsadga muvofiq bo'ladi?
  1. Faqat Precision muhim bo'lgan holatlarda, Recallga ahamiyat berilmaganda.
  2. Modelning katta xatoliklarga bo'lgan sezgirligini baholash kerak bo'lganda.
  3. Sinflar mutanosib bo'lmagan va Precision ham, Recall ham bir vaqtda muhim bo'lgan holatlarda.
  4. Sinflar mutanosib bo'lgan va Accuracy yetarli bo'lgan holatlarda.
Javobni ko'rish
Sinflar mutanosib bo'lmagan va Precision ham, Recall ham bir vaqtda muhim bo'lgan holatlarda.
#10
10) Overfitting (hadadan tashqari moslashuv) muammosini aniqlashda qaysi xatti-harakat kuzatiladi?
  1. Model o'quv ma'lumotlarida ham, test ma'lumotlarida ham yomon ishlaydi.
  2. Model o'quv ma'lumotlarida yomon, ammo test ma'lumotlarida yaxshi ishlaydi.
  3. Model o'quv ma'lumotlarida o'rtacha, test ma'lumotlarida esa juda yaxshi ishlaydi.
  4. Model o'quv ma'lumotlarida yaxshi, ammo test ma'lumotlarida yomon ishlaydi.
Javobni ko'rish
Model o'quv ma'lumotlarida yaxshi, ammo test ma'lumotlarida yomon ishlaydi.
#11
11) Underfitting (yetarli darajada moslashmaslik) muammosi qachon yuzaga keladi?
  1. Modelning ishlashi o'quv va test to'plamlarida deyarli bir xil bo'lganida.
  2. Model o'quv ma'lumotlarida juda yaxshi, test ma'lumotlarida esa yomon ishlayotganida.
  3. Model juda sodda bo'lganida va ma'lumotlardagi asosiy tendensiyalarni o'rganishga qodir bo'lmaganida.
  4. Modelning parametrlari optimal ravishda sozlanganida.
Javobni ko'rish
Model juda sodda bo'lganida va ma'lumotlardagi asosiy tendensiyalarni o'rganishga qodir bo'lmaganida.
#12
12) K-Fold Kross-Validatsiya usulining asosiy maqsadi nima?
  1. Test ma'lumotlarini o'quv jarayonidan butunlay ajratish.
  2. Faqat K ta eng yaxshi ma'lumot nuqtasida modelni baholash.
  3. Ma'lumotlar to'plamini K ta bir xil bo'lakka bo'lish va har bir bo'lakni bir marta test to'plami sifatida ishlatib, modelning ishlashini mustahkamroq baholash.
  4. Modelning murakkabligini kamaytirish va overfittingni oldini olish uchun ma'lumotlarning kichik qismini ishlatish.
Javobni ko'rish
Ma'lumotlar to'plamini K ta bir xil bo'lakka bo'lish va har bir bo'lakni bir marta test to'plami sifatida ishlatib, modelning ishlashini mustahkamroq baholash.
#13
13) Regressiya modelining ishlashini baholashda, prognoz xatolari va haqiqiy qiymatlarning bir xil o'lchov birligida bo'lishini ta'minlash uchun qaysi metrika ko'pincha afzal ko'riladi?
  1. R² (Coefficient of Determination)
  2. MAE (Mean Absolute Error)
  3. MAPE (Mean Absolute Percentage Error)
  4. RMSE (Root Mean Squared Error)
Javobni ko'rish
RMSE (Root Mean Squared Error)
#14
14) Klassifikatsiya modelida 'False Positive' (FP) nimani bildiradi?
  1. Barcha noto'g'ri bashorat qilingan holatlar soni.
  2. Model tomonidan manfiy deb bashorat qilingan va aslida manfiy bo'lgan holat.
  3. Model tomonidan musbat deb bashorat qilingan va aslida musbat bo'lgan holat.
  4. Model tomonidan musbat deb bashorat qilingan, ammo aslida manfiy bo'lgan holat.
Javobni ko'rish
Model tomonidan musbat deb bashorat qilingan, ammo aslida manfiy bo'lgan holat.
#15
15) ROC-AUC (Receiver Operating Characteristic - Area Under the Curve) metri kasi klassifikatsiya modelining qaysi jihatini baholash uchun ishlatiladi?
  1. Modelning to'g'ri tasniflangan kuzatuvlar ulushi.
  2. Modelning prognozlarining o'zgaruvchanlikning qanchasini tushuntira olishi.
  3. Modelning o'rtacha mutlaq xatosi.
  4. Modelning har xil ajratish chegaralarida 'True Positive Rate' va 'False Positive Rate' o'rtasidagi o'zaro nisbatini baholash, sinf nomutanosibligi holatida ham barqarorlikni saqlab qoladi.
Javobni ko'rish
Modelning har xil ajratish chegaralarida 'True Positive Rate' va 'False Positive Rate' o'rtasidagi o'zaro nisbatini baholash, sinf nomutanosibligi holatida ham barqarorlikni saqlab qoladi.
#16
16) Modelni baholashda 'Holdout usuli' (o'quv/test ajratish) ning asosiy cheklovlaridan biri nima?
  1. U ma'lumotlardagi outliers (chetda qolgan qiymatlar) ga nisbatan juda sezgir.
  2. U juda ko'p hisoblash resurslarini talab qiladi.
  3. Agar ma'lumotlar to'plami kichik bo'lsa, o'quv va test to'plamlarini tasodifiy ajratish modelning ishlashi haqida beqaror yoki noto'g'ri tasavvur berishi mumkin.
  4. U faqat regressiya muammolarini baholash uchun ishlatilishi mumkin.
Javobni ko'rish
Agar ma'lumotlar to'plami kichik bo'lsa, o'quv va test to'plamlarini tasodifiy ajratish modelning ishlashi haqida beqaror yoki noto'g'ri tasavvur berishi mumkin.
#17
17) Log Loss (logarifmik yo'qotish) metri kasi qanday turdagi muammolar uchun ko'proq mos keladi?
  1. Ikkilik yoki ko'p sinfli klassifikatsiya muammolari, bunda bashorat qilingan ehtimolliklarning aniqligi baholanadi.
  2. Vaqt qatorlari bashorati, bunda kelajakdagi qiymatlarni aniq prognozlash kerak.
  3. Regressiya muammolari, ayniqsa katta xatoliklarga sezgir bo'lishi kerak bo'lganda.
  4. Klasterlash muammolari, bunda klasterlarning ixchamligi muhim.
Javobni ko'rish
Ikkilik yoki ko'p sinfli klassifikatsiya muammolari, bunda bashorat qilingan ehtimolliklarning aniqligi baholanadi.
#18
18) 'Tizimli xato' deb nimaga aytiladi?
  1. Har doim bir xil yo'nalishda (ortiqcha yoki kam) va bir xil kattalikda sodir bo'ladigan xato, o'lchov asbobining noto'g'ri sozlanishi yoki usulning kamchiligi natijasida paydo bo'ladi.
  2. Ma'lumotlarni yig'ish yoki kiritishdagi tasodifiy adashishlar.
  3. O'lchov jarayonidagi tasodifiy omillar tufayli yuzaga keladigan xato.
  4. Modelning o'ta murakkabligi tufayli yuzaga keladigan xato.
Javobni ko'rish
Har doim bir xil yo'nalishda (ortiqcha yoki kam) va bir xil kattalikda sodir bo'ladigan xato, o'lchov asbobining noto'g'ri sozlanishi yoki usulning kamchiligi natijasida paydo bo'ladi.
#19
19) Matthews Correlation Coefficient (MCC) metri kasi qachon ayniqsa qimmatli hisoblanadi?
  1. Sinflar mutanosib bo'lmagan holatlarda yoki har bir sinfning muhimligi teng bo'lmagan vaziyatlarda, chunki u barcha to'rtta adashtirish matritsasi komponentini hisobga oladi va muvozanatli baholashni ta'minlaydi.
  2. Faqat sinflar mutanosib bo'lgan holatlarda, yuqori aniqlikni baholash uchun.
  3. Faqat regressiya modellarini baholash uchun.
  4. Modelning o'quv va test to'plamlaridagi ishlashini taqqoslash uchun.
Javobni ko'rish
Sinflar mutanosib bo'lmagan holatlarda yoki har bir sinfning muhimligi teng bo'lmagan vaziyatlarda, chunki u barcha to'rtta adashtirish matritsasi komponentini hisobga oladi va muvozanatli baholashni ta'minlaydi.
#20
20) Agar modelning o'quv to'plamida yuqori aniqlik (masalan, 95%), ammo test to'plamida past aniqlik (masalan, 70%) kuzatilsa, bu qanday muammoni ko'rsatadi?
  1. Ma'lumotlarning noto'g'ri normalizatsiyasi
  2. Ma'lumotlar to'plamidagi shovqinning yetishmasligi
  3. Tizimli xato
  4. Overfitting (hadadan tashqari moslashuv)
Javobni ko'rish
Overfitting (hadadan tashqari moslashuv)
QuizPilotda o'ynash