Kvíz spojený s průvodcem · Střední úroveň

Kvíz o odhadu hustoty jádra

Testuje výběr jádra KDE a šířky pásma, škálování vlastností a to, jak vyhlazování ovlivňuje interpretaci a validaci odhadů hustoty.

Související vodicí cestyOdhad hustoty jádra
Otázka 1 z 8

Co odhaduje KDE ze vzorku pozorování?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co odhaduje KDE ze vzorku pozorování?
    • Klasifikační hranice s garantovanou přesností
    • Hladký odhad spojité pravděpodobnostní hustoty
    • Seznam přesných pravděpodobností populace pro každou hodnotu
    • Kauzální efekt jedné vlastnosti na druhou
  2. Jak šířka pásma ovlivňuje vyhlazování KDE?
    • Určuje počet štítků v trénovací sadě
    • Určuje skutečný počet populací
    • Je to pravděpodobnost přiřazená každému bodu vzorku
    • Řídí šířku vyhlazování kolem každého datového bodu
  3. Co se může stát, když je šířka pásma příliš malá?
    • Náhodná variace ve vzorku se může projevit jako mnoho úzkých špiček
    • Různé módy jsou vždy sloučeny do jedné ploché křivky
    • Odhad se změní na histogram s pevnými štítky intervalů
    • Každá hodnota hustoty se stane kalibrovanou posteriorní pravděpodobností
  4. Co se může stát, když je šířka pásma příliš velká?
    • Volba jádra již neovlivňuje žádný odhad hustoty
    • Pozorování ze vzorku jsou z výpočtu odstraněna
    • Samostatné shluky nebo ocasy mohou být vyhlazeny nebo sloučeny
    • Odhad se stane ostřejším kolem každého pozorování
  5. Proč je třeba škálovat vlastnosti před multivariátním KDE v některých datových sadách?
    • Různé jednotky mohou způsobit, že jádra založená na vzdálenosti budou dominovat jednou vlastností s velkým měřítkem
    • Škálování zajišťuje, že šířka pásma je optimální
    • KDE vyžaduje, aby všechny proměnné byly binární
    • Škálování automaticky odstraňuje chybějící data
  6. Co pomáhá křížová validace vybrat v pracovním postupu KDE?
    • Pravý počet módů v každé populaci
    • Měřicí jednotky pro každou vlastnost
    • Šířka pásma nebo nastavení modelu podle stanoveného cíle hustoty
    • Které pozorování by měla být považována za kauzální
  7. Proč zkoumat několik rozumných šířek pásma pro KDE graf?
    • Aby každá křivka měla stejný počet vrcholů
    • Abyste vybrali jádro s největšími hodnotami hustoty
    • Abyste nahradili potřebu porovnávat s původním vzorkem
    • Abyste zjistili, zda se zjevné rysy zachovávají nebo jsou artefakty volby vyhlazení
  8. Jak by měla být interpretována křivka KDE pro spojitou proměnnou?
    • Jako histogramový počet bez závislosti na šířce pásma
    • Jako odhadovaná pravděpodobnost na jednotku měření, ne pravděpodobnost na jednu konkrétní hodnotu
    • Jako pravděpodobnost, že bod bude roven konkrétnímu reálnému číslu
    • Jako zaručený popis rozdělení populace