Fiszki
lula test
Test w formie fiszek
Ilość pytań: 19
Rozwiązywany: 1184 razy
Do rozwiązania problemów z zakresu klasyfikacji wzorcowej służy między innym :
sieć neuronową klasy GRNN
algorytm a priori
las losowy
metoda najbliższego sąsiedztwa
las losowy
Indeks sylwetkowy służy do oceny:
poprawności wyników klasyfikacji bezwzorcowej.
podobieństwa wyników klasyfikacji
podobieństwa dwóch zbiorów obiektów
poprawności przebiegu uczenia przeprowadzonego w trybie z nauczycielem
poprawności wyników klasyfikacji bezwzorcowej.
Stopień węzła może być miarą służącą do pomiaru jego:
podobieństwa
centralności
cykliczności
spójności
centralności
W grafie spójnym
stopień każdego wierzchołka jest identyczny
dla każdej pary wierzchołków istnieje łącząca je ścieżka
każda para wierzchołków połączona jest krawędzią
nie występują cykle
dla każdej pary wierzchołków istnieje łącząca je ścieżka
Wagi neuronów warstwy ukrytej sieci RBF przechowują
podobieństwo pomiędzy skupieniami występującymi wśród danych tworzących zbiór uczących
odległości pomiędzy skupieniami występującymi wśród danych tworzących zbiór uczący.
środki skupień występujących wśród danych tworzących zbiór uczący
szerokości skupień występujących wśród danych tworzących zbiór uczący
środki skupień występujących wśród danych tworzących zbiór uczący
Standaryzacja zmiennej powoduje, że:
przekształcone wartości zmiennej są uzależnione od istotności zmiennej
przekształcone wartości zmiennej znajdują się w przedziale od 0 do 1
przekształcone wartości zmiennej charakteryzują się zerową wartością średnią
wszystkie przekształcone wartości zmiennej posiadają ten sam znak
przekształcone wartości zmiennej charakteryzują się zerową wartością średnią
Metoda wstecznej progagacji błędu służy do uczenia:
w trybie bez nauczyciela sieci o radialnych funkcjach bazowych
w trybie bez nauczyciela jednokierunkowej, wielowarstwowej sieci neuronowej
w trybie z nauczycielem jednokierunkowej, wielowarstwowej sieci neuronowej
w trybie z nauczycielem sieci o radialnych funkcjach bazowych
w trybie z nauczycielem jednokierunkowej, wielowarstwowej sieci neuronowej
Metoda k-średnich jest metodą analizy skupień:
umożliwiającą oszacowanie funkcji rozkładu wartości zmiennych w poszczególnych zbiorach ...(?)
służąca do utworzenia dendrogramu przedstawiającego strukturę rozpatrywanego zbioru obiektów
pozwalająca na podział rozpatrywanego zbioru obiektów na zadaną liczbę rozłącznych klas
minimalizującą błąd klasyfikacji wyznaczony poprzez porównanie wyników klasyfikacji uzyskanych … jej zastosowanie z prawidłowym sposobem klasyfikacji w zbiorze uczącym
pozwalająca na podział rozpatrywanego zbioru obiektów na zadaną liczbę rozłącznych klas
W metodzie Newtona do wyznaczenia kierunku poprawy wykorzystuje sie informację o:
wektorze gradientu oraz macierzy drugich pochodnych funkcji błędu
aproksymacji wektora gradientu oraz macierzy drugich pochodnych funkcji błędu
aproksymacji wektora gradientu oraz aproksymacji macierzy drugich pochodnych funkcji błędu
wektorze gradientu oraz aproksymacji macierzy drugich pochodnych funkcji błędu
wektorze gradientu oraz aproksymacji macierzy drugich pochodnych funkcji błędu
Przy tworzeniu lasu losowego (modele typu random forest)
zbiory uczace tworzone sa poprzez zastosowanie losowania bez zwracania, poszczegolne modele korzystaja z identycznego zbioru zmiennych wejściowych
zbiory uczące tworzone sa poprzez zastosowanie losowania ze zwracaniem, poszczególne modele korzystaja z losowo dobranego zbioru zmiennych wejściowych
zbiory uczace tworzone sa poprzez zastosowanie losowania bez zwracania, poszczegolne modele korzystaja ze zmiennych wejsciowych tworzonego technika bootstrapu
zbiory uczace tworzone sa poprzez zastosowanie losowania ze zwracaniem, poszczegolne modele korzystaja z zbioru zmiennych wejściowych tworzonego techniką bootstrapu
zbiory uczące tworzone sa poprzez zastosowanie losowania ze zwracaniem, poszczególne modele korzystaja z losowo dobranego zbioru zmiennych wejściowych
Który z poniższych opisów postępowania odnosi się do procedury tworzenia modelu klasyfikacyjnego wykorzystującego podejście określane mianem bagging
korzystając z posiadanego zbioru danych tworzone są zbioru uczace poprzez wykorzystania losowania ze zwracaniem. nastepnie kazdy z wygenerowanych w ten sposob zbiorow jest wykorzystywany do utworzenia jednego drzewa decyzyjnego. wyniki klasyfikacji uzyskane za pomoca poszczególnych drzew sa agregowane poprzez podanie klasy najczesciej wskazywanej przez rozpatrywanie drzewa.
korzystając z posiadanego zbioru danych tworzone są zbiory uczące poprzez wykorzystanie losowania bez zwracania. Następnie każdy z wygenerowanych w ten sposób zbiorów jest wykorzystywany do utworzenia jednego drzewa decyzyjnego. Wyniki klasyfikacji uzyskane za pomocą poszczególnych drzew są agregowane po przez podanie klasy najczęściej wskazywanej przez rozpatrywane drzewa.
korzystając z posiadanego zbioru danych tworzone są zbiory uczące poprzez wykorzstanie losowania ze zwarcaniem. Następnie każdy z wygenerowanych w ten sposób zbiorów jest wykorzystywany do utworzenia jednego drzewa decyzyjnego, przy czym w każdym przypadku wykorzystuje się inny zbiór zmiennych wejściowych ustalony poprzez wylosowanie określonej liczby zmiennych z pierwotnego zbioru zmiennych. Wyniki klasyfikacji uzyskane za pomocą poszczególnych drzew są agregowane poprzez podanie klasy najczęściej wskazywanej przez rozpatrywane drzewa.
korzystając z posiadanego zbioru danych tworzące są zbiory uczące poprzez wykorzystanie losowania ze zwracaniem. Następnie każdy z wygenerowanych w ten sposób zbiorów jest wykorzystywany do utworzenia jednego drzewa decyzyjnego. Wyniki klasyfikacji uzyskane za pomocą agregowane poprzez wyznaczenie średniej ważonej w wyniku uzyskanych za pomocą poszczególnych drzew( wagi uzależnione są od wartości błedu uczenia drzewa)
korzystając z posiadanego zbioru danych tworzone są zbioru uczace poprzez wykorzystania losowania ze zwracaniem. nastepnie kazdy z wygenerowanych w ten sposob zbiorow jest wykorzystywany do utworzenia jednego drzewa decyzyjnego. wyniki klasyfikacji uzyskane za pomoca poszczególnych drzew sa agregowane poprzez podanie klasy najczesciej wskazywanej przez rozpatrywanie drzewa.
Miara zaufania wykorzystywana do oceny metod badania asocjacji może zostać zdefiniowana jako iloraz
liczby przypadków zawierających wszystkie elementy wymienione w głowie reguły oraz liczby przypadków zawierających wszystkie elementy występujących w jej ogonie
liczby przypadków zawierających wszystkie elementy wymienione w ogonie reguły oraz liczby przypadków zawierających wszystkie elementy występujących w jej głowie
liczby przypadków zawierających wszystkie elementy wymienione w głowie i w ogonie reguły oraz liczby przypadków zawierających wszystkie elementy występujących w jej ogonie
liczby przypadków zawierających wszystkie elementy wymienione w głowie i ogonie reguły oraz liczby przypadków zawierających wszystkie elementy występujących w jej głowie
liczby przypadków zawierających wszystkie elementy wymienione w głowie i ogonie reguły oraz liczby przypadków zawierających wszystkie elementy występujących w jej głowie
Dendrogram może zostać zastosowany do prezentacji wyników analizy skupień uzyskanych za pomocą metody
k-średnich
Kohonena
metody najdalszego sąsiedztwa
DBSCAN
metody najdalszego sąsiedztwa
Przyjmując, że Si jest identyfikatorem klasy do której mogą być zaliczane obiekty, zaś X jest wektorem wejściowym dla probabilistycznej sieci neuronowej, wskaż która poniższych wartości jest szacowana przez warstwę ukrytą probabilistycznej sieci neuronowej
p(Si)
p(Si|x)
p(x)
p(x|Si)
p(Si|x)
Metoda k-średnich w uczeniu sieci RBF wykorzystywana jest do:
określenia wag warstwy ukrytej sieci
do generowania zbiorów uczących za pomocą techniki bootstrapu
określenia ważności poszczególnych zmiennych wejściowych
podziału zbioru na zbiór uczący, walidacyjny i testowy
określenia wag warstwy ukrytej sieci
W metodach zmiennej metryki (quasi-Newtona) korzysta się z aproksymacji
odwrotności macierzy drugich pochodnych funkcji błędu
wektorów własnych macierzy drugich pochodnych funkcji błędu
gradientu funkcji błędu
wektora przeciwnego do gradientu funkcji błędu
odwrotności macierzy drugich pochodnych funkcji błędu
Miara wsparcia wykorzystywana do oceny metod badania asocjacji uwzględnia liczbę przypadków uczących zawierających elementy:
niewystępujące ani w głowie, ani w ogonie reguły
niewystępujące w głowie reguły i występujące w jej ogonie
występujące w głowie reguły i niewystępujące w jej ogonie
występujące jednocześnie w głowie reguły i w jej ogonie
występujące jednocześnie w głowie reguły i w jej ogonie
Metoda wektorów nośnych
służy do rozwiązywania problemów klasyfikacji bezwzorcowej i polega na wyznaczeniu hiperpłaszczyzny rozdzielającej w sposób zapewniający minimalizacji marginesu
służy do rozwiązywania problemów klasyfikacji bezwzorcowej i polega na wyznaczeniu hiperpłaszczyzny rozdzielającej w sposób zapewniający maksymalizację marginesu
służy do rozwiązywania problemów klasyfikacji wzorcowej i polega na wyznaczeniu hiperpłaszczyzny rozdzielającej w sposób zapewniający maksymalizację marginesu
służy do rozwiązywania problemów klasyfikacji wzorcowej i polega na wyznaczeniu hiperpłaszczyzny rozdzielającej w sposób zapewniający minimalizacji marginesu
służy do rozwiązywania problemów klasyfikacji wzorcowej i polega na wyznaczeniu hiperpłaszczyzny rozdzielającej w sposób zapewniający maksymalizację marginesu
Standaryzacja zmiennych wejściowych powoduje, że:
znaki wszystkich wartości każdej zmieniają się na przeciwne do pierwotnych
siła wpływu każdej zmiennej na wyniki analizy będzie uzależniona od istotności tej zmiennej
siła wpływu każdej zmiennej na wyniki analizy będzie identyczna
znaki wszystkich wartości każdej zmieniają się na identyczne
siła wpływu każdej zmiennej na wyniki analizy będzie identyczna