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.

Související vodicí cestyAlgoritmus maximalizace očekávání
Otázka 1 z 8

Co vypočítá E-krok pomocí aktuálních parametrů?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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