Gids-gekoppelde quiz · Middelmatig Niveau

Lineaire discriminantanalysequiz

Beoordeel de LDA-classificatie en -projectie, aannames over gedeelde covariantie, discriminante dimensies en het onderscheid met PCA.

Gerelateerde gidspadenLineaire discriminantanalyse
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.

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