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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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