Een ML-engineer inspecteert een classificatie dataset voordat een model wordt getraind in Amazon SageMaker en vermoedt een grote onbalans in de klassenlabels die het model zou kunnen beïnvloeden. Welke pre-training metriek moet de engineer gebruiken om klasse-onbalans te bevestigen?
Kies een antwoord
Tik op een optie om je antwoord te controleren.
Correct antwoord: Difference in proportions of labels (DPL).
Waarom dit het antwoord is
De Difference in Proportions of Labels (DPL) is de meest geschikte metriek om klasse-onbalans te bevestigen. DPL meet direct het verschil in het aandeel van elke klasse binnen de dataset, wat essentieel is om te bepalen of de klassen gelijk verdeeld zijn. Een grote DPL-waarde duidt op een aanzienlijke onbalans. Mean Square Error (MSE) is een regressiemetriek die de gemiddelde gekwadrateerde verschillen tussen voorspelde en werkelijke waarden meet, niet relevant voor klasse-onbalans in classificatie. De Silhouette score wordt gebruikt om de kwaliteit van clustering te evalueren. Structural Similarity Index Measure (SSIM) is een metriek om de gelijkenis tussen twee afbeeldingen te meten.
Slaag voor je examen — zonder eindeloos zoeken naar antwoorden
Krijg elke geverifieerde vraag en uitleg voor dit examen op één plek, en bespaar uren voorbereiding. Meer dan 1.000 certificeringen · Meer dan 20 talen · gratis om te beginnen.
Slaag sneller voor je examen → Geen kaart nodig