Fiszki
morajda sys rozproszoe
Test w formie fiszek
Ilość pytań: 36
Rozwiązywany: 756 razy
Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest:
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
bardzo długi czas reakcji (odpowiedzi) nauczonej sieci
nieparametryczność
brak zdolności do modelowania zjawisk nieliniowych
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
Końcowe trzy etapy eksploracji danych w metodologii CRISP-DM to KOLEJNO:
Wdrożenie - Ewaluacja - Modelowanie
Modelowanie - Wdrożenie - Ewaluacja
Ewaluacja - Modelowanie - Wdrożenie
Modelowanie - Ewaluacja - Wdrożenie
Modelowanie - Ewaluacja - Wdrożenie
Iloczyn skalarny wektora cech z pewnym wektorem wag można traktować jako formę:
regresji liniowe
obrotu w przestrzeni cech
redukcji wymiarowości
ekstrakcji cech
regresji liniowe
W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3 możliwewartości: "biały","czerwony", "niebieski". Dany problem zaliczamy do zadań:
klasyfikacji bezwzorcowej (grupowania)
klasyfikacji wzorcowej
poszukiwania reguł asocjacyjnych
regresyjnych (szacowanie, predykcja)
klasyfikacji wzorcowej
Argumentem funkcji aktywacji neuronu typu RBF jest
iloczyn skalarny wektorów: wejściowego x i wag w
suma sygnałów x1 + x2 + ... wektora wejściowego x
odległość wektorów: wejściowego x i wag w
ważona liczba wejść danego neuronu
odległość wektorów: wejściowego x i wag w
Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym:
każdy obiekt tworzy osobne skupienie
obiekty są losowo przydzielone do skupień, a liczba skupień jest z góry określana
wszystkie obiekty tworzą jedno skupenie
obiekty podzielone są wstępnie przy użyciu innej metody grupowania
każdy obiekt tworzy osobne skupienie
Technika k-krotnej walidacji krzyżowej służy do:
klasteryzacji zbioru na k maksymalnie odległych skupień
ustalenia optymalnego momentu przerwania uczenia modelu
wyeliminowania wzajemnych zależności między zmiennymi
uniknięcia tendencyjności w ocenie jakości modelu
uniknięcia tendencyjności w ocenie jakości modelu
Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych:
liniowa regresja wieloraka
algorytm k-średnich
sieć neuronowa typu RBF
sieć neuronowa typu PERCEPTRON WIELOWARSTWOWY
algorytm k-średnich
Problem klasyfikacyjny polega na:
prognozowaniu kategorii obserwacji na podstawie jej cech
rozróżnianiu obserwowanych cech na wejściowe i wyjściowe
ustaleniu optymalnej liczby klas, do których należą obserwacje
poszukiwaniu przypadków najbardziej reprezentacyjnych dla klas
prognozowaniu kategorii obserwacji na podstawie jej cech
Rolą pojedynczego neuronu w warstwie perceptronu użytego do klasyfikacji jest:
rozpoznawanie jednego przypadku w zbiorze
podział przestrzeni wejść na dwie półprzestrzenie
rozpoznawanie jednej ze znanych klas w zbiorze
klasyfikacja pojedynczej cechy wejściowej
podział przestrzeni wejść na dwie półprzestrzenie
Przyjęcie metryki L1 (metryki Manhattan) sprawia, że okręgi przyjmują kształt:
rombów
trójkątów
kardioid
elips
rombów
Przycinanie drzew decyzyjnych stosuje się w celu:
redukcji liczby klas
ponownego przeprowadzenia podziału w miejscu cięcia
eliminacji zmiennych nieistotnych
uniknięcia przeuczenia i skomplikowania modelu
uniknięcia przeuczenia i skomplikowania modelu
Problem regresyjny polega na:
prognozowaniu wartości na podstawie obserwowanych cech
poszukiwaniu korelacji między zmiennymi wejściowymi
znajdowaniu prostej najlepiej dopasowanej do obserwacji
dopasowaniu współczynników modelu do obserwacji uczących
poszukiwaniu korelacji między zmiennymi wejściowymi
Typowy zbiór danych używany do trenowania modeli uczenia maszynowego składa się z:
klas zawierających instancje
obiektów posiadających atrybuty
instancji zgrupowanych w kategorie
obserwacji obejmujących cechy
obserwacji obejmujących cechy
W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3
możliwe wartości: “biały”, “czerwony”, “niebieski”. Dany problem zaliczamy do zadań:
klasyfikacji bezwzorcowej (grupowania)
klasyfikacji wzorcowej
regresyjnych (szacowanie, predykcja)
poszukiwania reguł asocjacyjnych
klasyfikacji wzorcowej
Aby wyeliminować tzw. efekt przeuczenia sieci neuronowej (uczenie nadzorowane), należy
uznać za optymalny (ostateczny) zbiór wartości wag, otrzymany w momencie:
zakończenia działania algorytmu uczącego
minimum błędu dla ciągu uczącego
minimum błędu dla ciągu walidacyjnego
zidentyfikowania minimum lokalnego funkcji błędu uczącego
minimum błędu dla ciągu walidacyjnego