Fiszki
Programowanie systemów rozproszonych
Test w formie fiszek
Ilość pytań: 31
Rozwiązywany: 1080 razy
Przycinanie drzew decyzyjnych stosuje się w celu:
redukcji liczby klas
eliminacji zmiennych nieistotnych
uniknięcia przeuczenia i skomplikowania modelu
ponownego przeprowadzenia podziału w miejscu cięcia
uniknięcia przeuczenia i skomplikowania modelu
Przyjęcie metryki L1 (metryki Manhattan) sprawia, że okręgi przyjmują kształt:
kardioid
elips
trójkątów
rombów
rombów
Algorytmy genetyczne (ewolucyjne) służa generalnie do realizacji zadań:
poszukiwania reguł asocjacyjnych
regresji
optymalizacji
eksploracji danych zapisanych w chromosomach roślin i zwierząt
optymalizacji
Rolą pojedynczego neuronu w warstwie perceptronu użytego do klasyfikacji jest:
klasyfikacja pojedynczej cechy wejściowej
podział przestrzeni wejść na dwie półprzestrzenie
ozpoznawanie jednej ze znanych klas w zbiorze
rozpoznawanie jednego przypadku w zbiorze
podział przestrzeni wejść na dwie półprzestrzenie
Technika k-krotnej walidacji krzyżowej służy do:
uniknięcia tendencyjności w ocenie jakości modelu
ustalenia optymalnego momentu przerwania uczenia modelu
wyeliminowania wzajemnych zależności między zmiennymi
klasteryzacji zbioru na k maksymalnie odległych skupień
uniknięcia tendencyjności w ocenie jakości modelu
Problem klasyfikacyjny polega na:
ustaleniu optymalnej liczby klas, do których należą obserwacje
poszukiwaniu przypadków najbardziej reprezentacyjnych dla klas
prognozowaniu kategorii obserwacji na podstawie jej cech
rozróżnianiu obserwowanych cech na wejściowe i wyjściowe
prognozowaniu kategorii obserwacji na podstawie jej cech
Klasyczny (perceptronowy) model neuronu posiada dwa wejścia o wagach w1=1, w2=2, na które podano odpowiednio sygnały x1=−1, x2=+1. Funkcja aktywacji jest funkcją liniową postaci y=2x. Sygnał wyjściowy neuronu wynosi:
0
1
2
-1
2
Oryginalna zmienna x przyjmuje trzy wartości: -2, 1, 4. Po przeprowadzeniu normalizacji tej zmiennej wg metody min-max do przedziału [0, 1], oryginalnej wartości 1 odpowiada znormalizowana wartość:
0,25
0,5
1
0,75
0,5
.Argumentem funkcji aktywacji neuronu typu RBF jest
suma sygnałów x1 + x2 + ... wektora wejściowego x
ważona liczba wejść danego neuronu
odległość wektorów: wejściowego x i wag w
iloczyn skalarny wektorów: wejściowego x i wag w
odległość wektorów: wejściowego x i wag w
Przeuczenie modelu (overfitting) można rozpoznać po tym, że
w procesie uczenia zaczyna rosnąć błąd dla próby testowej
trafność predykcji modelu przekracza poziom 99.73%
szybkość uczenia się modelu zaczyna spadać w kolejnych iteracjach
liczba błędnie zaklasyfikowanych przypadków spada do 0
w procesie uczenia zaczyna rosnąć błąd dla próby testowej
Na etapie wstępnej eksploracyjnej analizy danych najmniej przydatne jest
użycie metod nienadzorowanej klasteryzacji
wygenerowanie histogramów zmiennych ciągłych
zliczenie wystąpień wartości zmiennych nominalnych
wizualne porównanie współzależności par zmiennych
wygenerowanie histogramów zmiennych ciągłych
.Iloczyn skalarny wektora cech z pewnym wektorem wag można traktować jako formę
ekstrakcji cech
obrotu w przestrzeni cech
redukcji wymiarowości
regresji liniowej
regresji liniowej
Metoda wzmacniania gradientowego (gradient boosting) służy do
budowania mocnego modelu złożonego z wielu słabszych modeli
generowania dodatkowych sztucznych próbek w zbiorach uczących
zwiększania kontrastu pomiędzy blisko leżącymi klastrami
przyspieszania procesu uczenia głębokich sieci neuronowych
budowania mocnego modelu złożonego z wielu słabszych modeli
Problem klasteryzacyjny polega na
algorytmu wstecznej propagacji błędów
poszukiwaniu granic oddzielających obserwacje różnych klas
identyfikacji skupisk zgodnie z pewnym kryterium podobieństwa
grupowaniu cech obserwacji w skorelowane ze sobą zespoły
predykcji przynależności danej obserwacji do różnych klas
identyfikacji skupisk zgodnie z pewnym kryterium podobieństwa
Wskaż drugi algorytm (metodę), który służy do rozwiązywania tego samego typu problemów eksploracji danych, co algorytm k-najbliższych sąsiadów
algorytm PCA (analiza głównych składowych)
algorytm k-średnich
algorytm CART (drzewa klasyfikacyjne i regresyjne)
algorytm Kohonena (sieć neuronowa typu SOM)
algorytm CART (drzewa klasyfikacyjne i regresyjne)
Poszukiwanie zbiorów częstych jest pierwszym etapem
algorytmu wstecznej propagacji błędów
algorytmu A priori
algorytmu k-średnich
algorytmu k-najbliższych sąsiadów
algorytmu A priori
Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych
liniowa regresja wieloraka
sieć neuronowa typu PERCEPTRON WIELOWARSTWOWY
sieć neuronowa typu RBF
algorytm k-średnich
algorytm k-średnich
Aglomeracyjne metody klasteryzacji polegają na
przyrostowym budowaniu klastrów poprzez dodawanie sąsiednich punktów
iteracyjnym dzieleniu klastrów na najbardziej odległe połowy
stopniowym ograniczaniu klastrów poprzez usuwanie outlierów
krokowym dodawaniu linii dzielących klastry w optymalnym miejscu
przyrostowym budowaniu klastrów poprzez dodawanie sąsiednich punktów
Sieć neuronowa Kohonena (SOM) generalnie jest przeznaczona do realizacji
klasyfikacji wzorcowej
prognozowania lub szacowania wartości
analizy szeregów czasowych
klasyfikacji bezwzorcowej (grupowania)
klasyfikacji bezwzorcowej (grupowania)
Końcowe trzy etapy eksploracji danych w metodologii CRISP-DM to KOLEJNO:
Modelowanie - Ewaluacja - Wdrożenie
Wdrożenie - Ewaluacja - Modelowanie
Modelowanie - Wdrożenie - Ewaluacja
Ewaluacja - Modelowanie - Wdrożenie
Modelowanie - Ewaluacja - Wdrożenie