গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

MAP অনুমান এবং Priors কুইজ

সম্ভাব্যতা এবং পোস্টেরিয়র মোডের আগে সংযোগ করুন, L1 এবং L2 পূর্বের চিঠিপত্রগুলি সনাক্ত করুন এবং সম্পূর্ণ পোস্টেরিয়র অনুমান থেকে MAP কে আলাদা করুন।

প্রশ্ন 1 এর 8

কোন পরিমাণ MAP সর্বোচ্চ করে?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. কোন পরিমাণ MAP সর্বোচ্চ করে?
    • পর্যবেক্ষিত ডেটা দেওয়া পশ্চিমের ঘনত্ব
    • একা সম্ভাবনা, নির্বিশেষে পূর্বে
    • পর্যবেক্ষিত ডেটা নির্বিশেষে একা পূর্বের ঘনত্ব
    • প্রান্তিক সম্ভাবনা সমস্ত প্যারামিটার মানের উপর সমন্বিত
  2. MLE কি MAP এর সাথে তুলনা করে সর্বাধিক করে?
    • একটি পূর্ববর্তী সহ পশ্চাৎপদ
    • সম্ভাবনা
    • শুধুমাত্র পূর্বের ঘনত্ব
    • পিছনের ব্যবধানের প্রস্থ
  3. কোন পূর্বে সাধারণত MAP-তে L2-স্টাইল সহগ জরিমানা পাওয়া যায়?
    • একটি Laplace পূর্বে, যার লগ ঘনত্ব একটি পরম-মূল্যের শাস্তি দেয়
    • একটি ইউনিফর্ম আগে, যা তার সমর্থন মধ্যে ধ্রুবক
    • একটি শূন্য-কেন্দ্রিক গাউসিয়ান পূর্বে, যার নেতিবাচক লগ ঘনত্ব একটি বর্গক্ষেত্র পেনাল্টি দেয়
    • শূন্যে একটি বিন্দুর ভর, যা প্রতিটি সহগকে শূন্যে স্থির করে
  4. কোন পূর্বে সাধারণত একটি L1-স্টাইল পেনাল্টি পাওয়া যায়?
    • একটি গাউসিয়ান প্রার, যা একটি বর্গ-ম্যাগনিটিউড পেনাল্টি দেয়
    • একটি ইউনিফর্ম আগে, যা তার সমর্থনের মধ্যে কোন জরিমানা দেয় না
    • শূন্যে একটি বিন্দু ভর, যা প্যারামিটার ঠিক করে
    • একটি Laplace পূর্বে, যার ঋণাত্মক লগ ঘনত্ব একটি পরম-মূল্যের শাস্তি দেয়
  5. কেন MAP সীমিত ডেটা সহ MLE থেকে আলাদা হতে পারে?
    • ডেটা সীমিত হলে MAP সম্ভাবনা বাতিল করে
    • পূর্বের অনুমানটিকে তার পছন্দের মানগুলির দিকে টানতে পারে
    • MLE সর্বদা ছোট নমুনা সহ একটি শূন্য অনুমান প্রদান করে
    • MAP সবচেয়ে বড় মান সহ একক পর্যবেক্ষণ নির্বাচন করে
  6. একটি MAP পয়েন্ট অনুমান নিজেই কি প্রদান করে?
    • একটি বিন্দু অনুমান যা একটি বিশ্বাসযোগ্য ব্যবধানও নির্দিষ্ট করে
    • সমস্ত পরামিতি মানের উপর সম্পূর্ণ পশ্চাদবর্তী বন্টন
    • The posterior mode, without a full uncertainty summary
    • A guarantee that the assumed prior is correct
  7. Why can prior sensitivity analysis be informative?
    • It guarantees that posterior and prior distributions are identical
    • It proves that a likelihood is misspecified whenever the MAP changes
    • It removes the need to inspect observed data
    • It shows whether conclusions change under plausible prior choices
  8. Why may a posterior mode change under reparameterization?
    • A density changes with the coordinate system, so its mode need not map invariantly
    • The likelihood stops depending on observations after transformation
    • A posterior mode is invariant by definition for every nonlinear map
    • Reparameterization converts a continuous parameter into a class label