Quiz lié à un guide · Moyen Niveau

Quiz sur la réduction de dimensionnalité

Examinez la couverture haute dimension, la variance PCA et les projections linéaires, les cartes de quartier, les objectifs de compression, les graphiques UMAP, le centrage et les limites de densité.

Chemins de guidage associésRéduction de dimensionnalité
Question 1 de 8

Which data-coverage challenge is associated with increasing dimension in the curse of dimensionality?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Which data-coverage challenge is associated with increasing dimension in the curse of dimensionality?
    • Every added coordinate necessarily improves every model
    • All high-dimensional distances are identical by definition
    • A much larger space can require many more observations to cover densely
    • Every model becomes faster without changing its computation
  2. Which directions does PCA prioritize when selecting principal components of centered input data?
    • Directions guaranteed to have the greatest target-label accuracy
    • Directions of high input variance
    • Directions chosen only from column names
    • Directions of minimum variance in every setup
  3. Pourquoi l'ACP est-elle appelée une méthode « linéaire » ?
    • Cela ne fonctionne que sur les données tracées sous forme de lignes droites
    • Il ne peut réduire les données qu'à exactement une dimension
    • Cela nécessite que les données soient d'abord triées
    • Il combine des fonctionnalités à l'aide de sommes pondérées (combinaisons linéaires)
  4. Which aspect of data do t-SNE and UMAP commonly emphasize in exploratory low-dimensional embeddings?
    • Relations de quartier
    • Une garantie de toutes les distances par paires originales
    • Un cryptage exact de chaque fichier d'entrée
    • Une preuve que chaque groupe visible est une véritable catégorie
  5. Pourquoi une équipe pourrait-elle évaluer une représentation plus petite avant d’adapter un modèle en aval ?
    • Pour garantir qu’aucune information utile ne soit jamais perdue
    • Comparer le coût de calcul et le comportement prédictif avec moins de coordonnées
    • Pour éliminer le besoin d’une évaluation différée
    • Prouver que chaque composant rejeté est du bruit
  6. Quelle structure UMAP utilise-t-il pour construire sa représentation des observations d'entrée proches ?
    • Une liste obligatoire d’étiquettes de documents supervisés
    • Une clé de chiffrement au format de fichier
    • Un graphique de quartier
    • Une garantie que toutes les densités de clusters sont préservées
  7. Par défaut, comment la fonctionnalité de prétraitement de la transformation PCA scikit-learn indiquée signifie-t-elle et évolue-t-elle ?
    • Il centre les fonctionnalités mais ne les met pas à l'échelle en fonction de la variance unitaire
    • Il centre et met automatiquement à l'échelle chaque fonctionnalité en fonction de la variance unitaire.
    • Il met à l'échelle chaque caractéristique en fonction de la variance unitaire mais laisse sa moyenne inchangée.
    • Il divise chaque élément par sa plage sans centrer
  8. Pourquoi la compacité visuelle d’un tracé UMAP ordinaire ne devrait-elle pas être traitée comme une preuve de la densité des clusters dans l’espace d’origine ?
    • UMAP garantit la préservation exacte de chaque rapport de densité d'origine
    • La compacité des parcelles est automatiquement calibrée en fonction de la fréquence de la population
    • La projection préserve exactement chaque distance originale par paire
    • UMAP ne préserve pas de manière fiable la densité dans son intégration ordinaire