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.
Otázka 1 z 8
Co odhaduje KDE ze vzorku pozorování?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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