Quiz collegato alla guida · Medio Livello

Quiz sull'analisi discriminante lineare

Esaminare la classificazione e la proiezione dell'LDA, le ipotesi di covarianza condivisa, le dimensioni discriminanti e la distinzione dalla PCA.

Percorsi guida correlatiAnalisi discriminante lineare
Domanda 1 di 8

Perché la classificazione LDA comune produce confini decisionali lineari?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Perché la classificazione LDA comune produce confini decisionali lineari?
    • Utilizza in ogni caso matrici di covarianza specifiche della classe
    • Massimizza la varianza totale delle funzionalità senza etichette
    • Le classi condividono una matrice di covarianza nel suo consueto modello gaussiano
    • Ignora i precedenti delle classi ogni volta che le dimensioni delle classi differiscono
  2. In che modo la LDA sceglie le direzioni di proiezione nel suo ruolo di riduzione supervisionata?
    • Massimizza la varianza totale senza etichette
    • Favorire la separazione delle classi rispetto alla variazione all’interno della classe
    • Scegli le caratteristiche solo in base alla loro varianza marginale
    • Mantieni solo le colonne originali con le medie più grandi
  3. Con K classi e almeno K meno una funzionalità di input, quale limite superiore si applica al numero di direzioni discriminanti LDA utili?
    • K quadrato
    • K
    • Il numero di osservazioni
    • K meno uno
  4. Quale obiettivo ottimizza la PCA rispetto alla LDA?
    • Varianza complessiva elevata senza utilizzare etichette di classe
    • Probabilità a posteriori di classe
    • Massima separazione delle classi tramite etichette
    • Errore minimo di classificazione ad ogni soglia
  5. Quando una direzione a bassa varianza può essere importante per LDA?
    • Quando ha la variazione più piccola indipendentemente dalle etichette
    • Solo quando PCA lo ha già scelto
    • Quando separa le classi etichettate
    • Solo quando ogni classe ha la stessa media
  6. Cosa cambia nell’analisi discriminante quadratica rispetto alla comune LDA?
    • Ciascuna classe deve avere la stessa probabilità a priori
    • Ogni classe può avere la propria matrice di covarianza
    • Ogni media di classe è vincolata a essere uguale
    • Tutti i termini quadratici vengono rimossi dal confronto di classi
  7. Perché l'LDA può essere numericamente difficile quando le caratteristiche superano di gran lunga gli esempi?
    • Il numero di classi deve aumentare automaticamente
    • I precedenti delle classi non possono essere stimati da alcun campione etichettato
    • L’ipotesi della covarianza condivisa rimuove ogni problema di condizionamento
    • Le stime della covarianza possono essere singolari o instabili
  8. Un grafico mostra i gruppi di formazione separati dopo la proiezione LDA. Cosa non è stato ancora stabilito?
    • Generalizzazione affidabile sui dati disponibili
    • Quelle etichette hanno influenzato la proiezione
    • Che è stata calcolata una proiezione
    • Che le classi fossero presenti nella formazione