Gids-gekoppelde quiz · Middelmatig Niveau
Verwachtingsmaximalisatie-algoritmequiz
Volg de E-stap en M-stap in latente-variabele modellen en maak onderscheid tussen waarschijnlijkheidsverbetering en globale optimaliteit of modelvaliditeit.
Vraag 1 van 8
Wat berekent de E-step met behulp van de huidige parameters?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat berekent de E-step met behulp van de huidige parameters?
- Voorwaardelijke verwachtingen van volledige gegevenshoeveelheden of logwaarschijnlijkheid
- Het mondiale maximum van de waargenomen waarschijnlijkheid
- Noodzakelijkerwijs harde labels voor elke verborgen variabele
- Een nieuwe validatiedataset
- Wat vertegenwoordigen verantwoordelijkheden in een Gaussiaans mengsel?
- Vaste labels bekend vóór montage
- Posterieure lidmaatschapskansen voor observaties over componenten heen
- Component betekent vermenigvuldigd met covarianties
- Het aantal resterende EM-iteraties
- Wat doet de M-stap nadat de verwachtingen zijn berekend?
- Wijzigt het aantal functies automatisch
- Vervangt alle waarnemingen door componentlabels
- Maximaliseert de verwachte volledige gegevensdoelstelling ten opzichte van parameters
- Berekent alleen de waarschijnlijkheid van de validatie
- Welke garantie biedt exacte EM onder geschikte aannames?
- Het geselecteerde model is wetenschappelijk correct
- Het vindt het unieke mondiale optimale
- Elke verborgen opdracht wordt zeker
- De waarschijnlijkheid van waargenomen gegevens neemt niet bij elke iteratie af
- Verschillende EM-initialisaties eindigen bij verschillende waarschijnlijkheden. Wat suggereert dit?
- De E-stap is overbodig
- De optimalisatie is startgevoelig en kan lokale optima hebben
- De gegevens bevatten geen latente variabelen
- Alle parameterschattingen zijn onbevooroordeeld
- Waarom zijn mengselverantwoordelijkheden niet automatisch zware opdrachten?
- Het zijn klasselabels die zijn gekopieerd van het doel
- Ze zijn altijd gelijk voor elke waarneming
- Het zijn kansen die één waarneming over componenten kunnen verdelen
- Ze vertegenwoordigen alleen ontbrekende gegevens
- Wat duidt op een kleine waarschijnlijkheidsverbetering bij het stoppen?
- De latente structuur heeft een causale betekenis
- Het model is voldoende gebleken
- Het mondiale optimale is zeker
- Er werd voldaan aan het gekozen numerieke convergentiecriterium
- Hoe verschilt gegeneraliseerde EM van exacte EM?
- De M-stap ervan kan het verwachte doel vergroten zonder het volledig te maximaliseren
- Het verwijdert de latente variabelen
- Het garandeert een mondiaal optimisme
- Het vervangt waarschijnlijkheid door classificatienauwkeurigheid