Kuiz berkaitan panduan · Sederhana Tahap
Kuiz Analisis Diskriminasi Linear
Semak klasifikasi dan unjuran LDA, andaian kovarians kongsi, dimensi diskriminasi dan perbezaan daripada PCA.
soalan 1 daripada 8
Mengapakah klasifikasi LDA biasa menghasilkan sempadan keputusan linear?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- Mengapakah klasifikasi LDA biasa menghasilkan sempadan keputusan linear?
- Ia menggunakan matriks kovarians khusus kelas dalam setiap kes
- Ia memaksimumkan jumlah varians ciri tanpa label
- Kelas berkongsi matriks kovarians dalam model Gaussian biasa
- Ia mengabaikan keutamaan kelas apabila saiz kelas berbeza
- Bagaimanakah LDA memilih arah unjuran dalam peranan pengurangan yang diselia?
- Maksimumkan jumlah varians tanpa label
- Pilih pemisahan kelas berbanding dengan variasi dalam kelas
- Pilih ciri hanya dengan varians marginalnya
- Simpan hanya lajur asal dengan cara terbesar
- Dengan kelas K dan sekurang-kurangnya K tolak satu ciri input, apakah sempadan atas yang digunakan untuk bilangan arah diskriminasi LDA yang berguna?
- K kuasa dua
- K
- Bilangan pemerhatian
- K tolak satu
- Objektif manakah yang dioptimumkan oleh PCA berbeza dengan LDA?
- Varians keseluruhan yang tinggi tanpa menggunakan label kelas
- Kebarangkalian posterior kelas
- Pemisahan kelas maksimum menggunakan label
- Ralat pengelasan minimum pada setiap ambang
- Bilakah arah varians rendah boleh menjadi penting kepada LDA?
- Apabila ia mempunyai varians terkecil tanpa mengira label
- Hanya apabila PCA telah memilihnya
- Apabila ia memisahkan kelas berlabel
- Hanya apabila setiap kelas mempunyai makna yang sama padanya
- Apakah perubahan dalam analisis diskriminasi kuadratik berbanding dengan LDA biasa?
- Setiap kelas mesti mempunyai kebarangkalian terdahulu yang sama
- Setiap kelas mungkin mempunyai matriks kovarians sendiri
- Setiap min kelas dikekang untuk sama
- Semua sebutan kuadratik dikeluarkan daripada perbandingan kelas
- Mengapakah LDA boleh menjadi sukar secara berangka apabila ciri-ciri jauh melebihi jumlah contoh?
- Bilangan kelas mesti menjadi lebih besar secara automatik
- Kelas terdahulu tidak boleh dianggarkan daripada mana-mana sampel berlabel
- Andaian kovarians kongsi menghapuskan setiap masalah pelaziman
- Anggaran kovarians mungkin tunggal atau tidak stabil
- Plot menunjukkan kumpulan latihan yang dipisahkan selepas unjuran LDA. Apa yang belum ditubuhkan?
- Generalisasi yang boleh dipercayai pada data yang disimpan
- Label itu mempengaruhi unjuran
- Bahawa unjuran telah dikira
- Bahawa kelas hadir dalam latihan