गाइड से जुड़ी प्रश्नोत्तरी · कठिन स्तर

वीसी आयाम और पीएसी लर्निंग क्विज़

परीक्षण बिखरना, वीसी आयाम, अज्ञेयवादी पीएसी नमूना जटिलता, और क्यों सबसे खराब स्थिति की गारंटी देखे गए मॉडल प्रदर्शन की तुलना में कमजोर हो सकती है।

संबंधित मार्गदर्शक पथवीसी आयाम और पीएसी लर्निंग
प्रश्न 1 का 8

एक द्विआधारी परिकल्पना वर्ग द्वारा तीन बिंदुओं को तोड़ने के लिए, वर्ग को क्या समझने में सक्षम होना चाहिए?

प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

  1. एक द्विआधारी परिकल्पना वर्ग द्वारा तीन बिंदुओं को तोड़ने के लिए, वर्ग को क्या समझने में सक्षम होना चाहिए?
    • कक्षा अनदेखे परीक्षण डेटा पर सभी n बिंदुओं को सही ढंग से वर्गीकृत कर सकती है
    • कक्षा में बिल्कुल n परिकल्पनाएँ हैं
    • बिंदु बिल्कुल एक परिकल्पना द्वारा रैखिक रूप से अलग किए जा सकते हैं
    • उन बिंदुओं के 2^एन संभावित लेबलिंग में से प्रत्येक के लिए, कक्षा में कुछ परिकल्पना इसे सटीक रूप से पुन: पेश करती है
  2. द्वि-आयामी विमान में सीधी-रेखा बाइनरी क्लासिफायर के लिए, अधिकतम कितने बिंदुओं को तोड़ा जा सकता है?
    • 1
    • 3
    • 2
    • 4
  3. गाइड में वर्णित अज्ञेयवादी पीएसी सेटिंग में, एक मानक सबसे खराब स्थिति वाला नमूना बाउंड वीसी आयाम और ईपीएसलॉन पर कैसे निर्भर करता है?
    • नमूना आकार को ईपीएसलॉन वर्ग द्वारा विभाजित वीसी-आयाम के साथ मोटे तौर पर स्केल की आवश्यकता होती है
    • वीसी आयाम बढ़ने पर आवश्यक नमूना आकार घट जाता है
    • आवश्यक नमूना आकार वीसी आयाम से स्वतंत्र है
    • आवश्यक नमूना आकार केवल सुविधाओं की संख्या पर निर्भर करता है, वीसी आयाम पर कभी नहीं
  4. वास्तविक लाइन पर सिंगल-थ्रेसहोल्ड क्लासिफायरियर को वीसी आयाम 1 क्यों कहा जाता है?
    • इसका एक पैरामीटर है, टी, इसलिए इसका वीसी आयाम इसके पैरामीटर गिनती के बराबर है
    • यह केवल सकारात्मक उदाहरणों को वर्गीकृत कर सकता है
    • यह बिल्कुल एक बिंदु को तोड़ सकता है लेकिन दो बिंदुओं की प्रत्येक व्यवस्था को नहीं
    • इसका अनंत VC आयाम है क्योंकि t कोई भी वास्तविक संख्या हो सकता है
  5. गाइड के अनुसार, क्या वीसी आयाम एक मॉडल में मापदंडों की संख्या के समान है?
    • हाँ, वे सदैव एक जैसे होते हैं
    • हाँ, लेकिन केवल रैखिक मॉडल के लिए
    • नहीं, वीसी आयाम केवल तंत्रिका नेटवर्क पर लागू होता है
    • नहीं; कुछ अनंत-पैरामीटर वर्गों में सीमित वीसी आयाम होते हैं और कुछ कम-पैरामीटर मॉडल में उच्च वीसी आयाम हो सकते हैं
  6. कौन सा सैद्धांतिक परिणाम बताता है कि एक बार n VC आयाम से अधिक हो जाने पर विकास फलन n में केवल बहुपद क्यों बन जाता है?
    • सॉयर की लेम्मा
    • केंद्रीय सीमा प्रमेय
    • बेयस प्रमेय
    • बड़ी संख्या का नियम
  7. शास्त्रीय वीसी-आयाम-आधारित पीएसी सीमाएं गहरे तंत्रिका नेटवर्क सामान्यीकरण को समझाने के लिए संघर्ष क्यों करती हैं?
    • तंत्रिका नेटवर्क में शून्य वीसी आयाम होता है
    • पीएसी सिद्धांत किसी भी पैरामीट्रिक मॉडल पर लागू नहीं होता है
    • तंत्रिका नेटवर्क का वीसी आयाम अक्सर व्यावहारिक प्रशिक्षण सेट आकार से कहीं बड़ा होता है, फिर भी वे अभी भी अच्छी तरह से सामान्यीकरण करते हैं
    • तंत्रिका नेटवर्क को परिकल्पना वर्गों के रूप में प्रस्तुत नहीं किया जा सकता है
  8. पीएसी सीखना एक सीखी गई परिकल्पना के बारे में किस प्रकार की गारंटी प्रदान करता है?
    • कि इसमें बिलकुल शून्य त्रुटि होगी
    • उच्च संभावना के साथ इसकी त्रुटि कक्षा में सर्वोत्तम परिकल्पना के कुछ ईपीएसलॉन के भीतर है
    • यह हमेशा हर दूसरे परिकल्पना वर्ग से बेहतर प्रदर्शन करेगा
    • इसके लिए किसी भी प्रशिक्षण डेटा की आवश्यकता नहीं है