Kvíz spojený s průvodcem · Střední úroveň
Algoritmus s očekáváním a maximalizací
Postupujte podle E-kroku a M-kroku v modelech latentních proměnných a odlište pravděpodobnost zlepšení od globální optimality nebo platnosti modelu.
Otázka 1 z 8
Co vypočítá E-krok pomocí aktuálních parametrů?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co vypočítá E-krok pomocí aktuálních parametrů?
- Podmíněná očekávání množství úplných dat nebo pravděpodobnosti protokolu
- Globální maximum pozorované pravděpodobnosti
- Pevné štítky pro každou skrytou proměnnou nutností
- Nová datová sada pro ověření
- Co v gaussovské směsi představuje odpovědnost?
- Pevné štítky známé před montáží
- Pravděpodobnosti posteriorního členství pro pozorování napříč komponentami
- Komponentní znamená vynásobený kovariancemi
- Počet zbývajících iterací EM
- Co udělá M-krok po spočtení očekávání?
- Automaticky změní počet funkcí
- Nahradí všechna pozorování popisky komponent
- Maximalizuje očekávaný cíl úplných dat nad parametry
- Vypočítá pouze pravděpodobnost ověření
- Jakou záruku poskytuje přesné EM za vhodných předpokladů?
- Zvolený model je vědecky správný
- Nachází jedinečné globální optimum
- Každý skrytý úkol se stává jistým
- Pravděpodobnost pozorovaných dat se při každé iteraci nesnižuje
- Různé inicializace EM končí s různou pravděpodobností. Co to naznačuje?
- E-krok je zbytečný
- Optimalizace je citlivá na starty a může mít lokální optima
- Data neobsahují žádné latentní proměnné
- Všechny odhady parametrů jsou nezkreslené
- Proč nejsou odpovědnosti za směsi automaticky těžkými úkoly?
- Jsou to štítky tříd zkopírované z cíle
- Při každém pozorování jsou si vždy rovni
- Jsou to pravděpodobnosti, které mohou rozdělit jedno pozorování mezi komponenty
- Představují pouze chybějící data
- Co naznačuje malá pravděpodobnost zlepšení při zastavení?
- Latentní struktura má kauzální význam
- Model se osvědčil jako adekvátní
- Globální optimum je jisté
- Zvolené kritérium numerické konvergence bylo splněno
- Jak se zobecněné EM liší od přesného EM?
- Jeho M-krok může zvýšit očekávaný cíl, aniž by jej plně maximalizoval
- Odstraňuje latentní proměnné
- Zaručuje globální optimum
- Nahrazuje pravděpodobnost přesností klasifikace