Quiz połączony z przewodnikiem · Średni Poziom
Quiz dotyczący algorytmu maksymalizacji oczekiwań
Postępuj zgodnie z krokami E i M w modelach ze zmiennymi ukrytymi i odróżnij poprawę prawdopodobieństwa od globalnej optymalności lub ważności modelu.
Pytanie 1 z 8
Co oblicza krok E przy użyciu bieżących parametrów?
Podgląd każdego pytania8 pytania
Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.
- Co oblicza krok E przy użyciu bieżących parametrów?
- Warunkowe oczekiwania dotyczące ilości pełnych danych lub prawdopodobieństwa logarytmicznego
- Globalne maksimum zaobserwowanego prawdopodobieństwa
- Z konieczności twarde etykiety dla każdej ukrytej zmiennej
- Nowy zestaw danych walidacyjnych
- Co w mieszaninie Gaussa reprezentują obowiązki?
- Naprawiono etykiety znane przed montażem
- Prawdopodobieństwa późniejszej członkostwa dla obserwacji pomiędzy składnikami
- Średnie składowe pomnożone przez kowariancje
- Liczba pozostałych iteracji EM
- Co robi krok M po obliczeniu oczekiwań?
- Automatycznie zmienia liczbę obiektów
- Zastępuje wszystkie obserwacje etykietami komponentów
- Maksymalizuje oczekiwany cel dotyczący pełnych danych w stosunku do parametrów
- Oblicza tylko prawdopodobieństwo walidacji
- Jaką gwarancję zapewnia dokładny EM przy odpowiednich założeniach?
- Wybrany model jest poprawny naukowo
- Znajduje unikalne globalne maksimum
- Każde ukryte zadanie staje się pewne
- Prawdopodobieństwo zaobserwowanych danych nie zmniejsza się w każdej iteracji
- Różne inicjalizacje EM kończą się z różnym prawdopodobieństwem. Co to sugeruje?
- Krok E jest niepotrzebny
- Optymalizacja jest wrażliwa na starty i może mieć lokalne optima
- Dane nie zawierają żadnych ukrytych zmiennych
- Wszystkie szacunki parametrów są bezstronne
- Dlaczego obowiązki związane z miksem nie są automatycznie trudnymi zadaniami?
- Są to etykiety klas skopiowane z celu
- Są one zawsze równe dla każdej obserwacji
- Są to prawdopodobieństwa, które mogą rozłożyć jedną obserwację na składowe
- Reprezentują jedynie brakujące dane
- O czym świadczy niewielka poprawa prawdopodobieństwa zatrzymania?
- Ukryta struktura ma znaczenie przyczynowe
- Model okazał się odpowiedni
- Optimum globalne jest pewne
- Wybrane kryterium zbieżności liczbowej zostało spełnione
- Czym uogólniony EM różni się od dokładnego EM?
- Jego krok M może zwiększyć oczekiwany cel bez jego pełnej maksymalizacji
- Usuwa ukryte zmienne
- Gwarantuje globalne maksimum
- Zastępuje prawdopodobieństwo trafnością klasyfikacji