Gids-gekoppelde quiz · Middelmatig Niveau
Lineaire discriminantanalysequiz
Beoordeel de LDA-classificatie en -projectie, aannames over gedeelde covariantie, discriminante dimensies en het onderscheid met PCA.
Vraag 1 van 8
Waarom produceert de gemeenschappelijke LDA-classificatie lineaire beslissingsgrenzen?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Waarom produceert de gemeenschappelijke LDA-classificatie lineaire beslissingsgrenzen?
- Het maakt in elk geval gebruik van klassespecifieke covariantiematrices
- Het maximaliseert de totale featurevariantie zonder labels
- Klassen delen een covariantiematrix in het gebruikelijke Gaussiaanse model
- Het negeert klassenprioriteiten wanneer klassengroottes verschillen
- Hoe kiest LDA projectierichtingen in haar begeleide reductierol?
- Maximaliseer de totale variantie zonder labels
- Geef de voorkeur aan klassenscheiding ten opzichte van variatie binnen de klasse
- Kies kenmerken alleen op basis van hun marginale variantie
- Behoud alleen de originele kolommen met de grootste middelen
- Met K-klassen en ten minste K minus één invoerkenmerken, welke bovengrens is van toepassing op het aantal bruikbare LDA-discriminantrichtingen?
- K kwadraat
- K
- Het aantal observaties
- K min één
- Welk doel optimaliseert PCA in tegenstelling tot LDA?
- Hoge algehele variantie zonder gebruik van klasselabels
- Klasse posterieure waarschijnlijkheid
- Maximale klassenscheiding door middel van labels
- Minimale classificatiefout bij elke drempel
- Wanneer kan een richting met lage variantie van belang zijn voor LDA?
- Wanneer het de kleinste variantie heeft, ongeacht de labels
- Alleen als PCA er al voor heeft gekozen
- Wanneer het gelabelde klassen scheidt
- Alleen als elke klasse hetzelfde gemiddelde heeft
- Welke veranderingen in kwadratische discriminantanalyse vergeleken met gewone LDA?
- Elke klasse moet dezelfde voorafgaande waarschijnlijkheid hebben
- Elke klasse kan zijn eigen covariantiematrix hebben
- Elk klassegemiddelde is beperkt om gelijk te zijn
- Alle kwadratische termen worden uit de klassenvergelijking verwijderd
- Waarom kan LDA numeriek moeilijk zijn als er veel meer features zijn dan voorbeelden?
- Het aantal klassen moet automatisch groter worden
- De klasseprioriteiten kunnen niet worden geschat op basis van een gelabeld monster
- De aanname van gedeelde covariantie elimineert elk conditioneringsprobleem
- Covariantieschattingen kunnen enkelvoudig of onstabiel zijn
- Een grafiek toont gescheiden trainingsgroepen na LDA-projectie. Wat is nog niet vastgelegd?
- Betrouwbare generalisatie op achtergehouden gegevens
- Die labels beïnvloedden de projectie
- Dat er een projectie werd berekend
- Die lessen waren aanwezig in de training