Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Analisis Diskriminasi Linear

Semak klasifikasi dan unjuran LDA, andaian kovarians kongsi, dimensi diskriminasi dan perbezaan daripada PCA.

Laluan panduan yang berkaitanAnalisis Diskriminasi Linear
soalan 1 daripada 8

Mengapakah klasifikasi LDA biasa menghasilkan sempadan keputusan linear?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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