Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący liniowej analizy dyskryminacyjnej

Przejrzyj klasyfikację i projekcję LDA, założenia dotyczące wspólnej kowariancji, wymiary dyskryminacyjne i odróżnienie od PCA.

Powiązane ścieżki prowadząceLiniowa analiza dyskryminacyjna
Pytanie 1 z 8

Dlaczego powszechna klasyfikacja LDA tworzy liniowe granice decyzji?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Dlaczego powszechna klasyfikacja LDA tworzy liniowe granice decyzji?
    • It uses class-specific covariance matrices in every case
    • It maximizes total feature variance without labels
    • Classes share a covariance matrix in its usual Gaussian model
    • It ignores class priors whenever class sizes differ
  2. W jaki sposób LDA wybiera kierunki projekcji w swojej nadzorowanej roli redukcyjnej?
    • Maximize total variance without labels
    • Favor class separation relative to within-class variation
    • Choose features only by their marginal variance
    • Keep only the original columns with largest means
  3. Jaka górna granica ma zastosowanie do liczby użytecznych kierunków dyskryminacyjnych LDA w przypadku klas K i co najmniej K minus jeden cech wejściowych?
    • K squared
    • K
    • The number of observations
    • K minus one
  4. Which objective does PCA optimize in contrast to LDA?
    • High overall variance without using class labels
    • Class posterior probability
    • Maximum class separation using labels
    • Minimum classification error at every threshold
  5. Kiedy kierunek o niskiej wariancji może mieć znaczenie dla LDA?
    • When it has the smallest variance regardless of labels
    • Only when PCA has already chosen it
    • When it separates labeled classes
    • Only when every class has the same mean on it
  6. Jakie zmiany w kwadratowej analizie dyskryminacyjnej w porównaniu ze zwykłym LDA?
    • Each class must have the same prior probability
    • Each class may have its own covariance matrix
    • Every class mean is constrained to be equal
    • All quadratic terms are removed from the class comparison
  7. Why can LDA be numerically difficult when features greatly outnumber examples?
    • The number of classes must automatically become larger
    • Class priors cannot be estimated from any labeled sample
    • The shared-covariance assumption removes every conditioning problem
    • Covariance estimates may be singular or unstable
  8. A plot shows separated training groups after LDA projection. What has not yet been established?
    • Reliable generalization on held-out data
    • That labels influenced the projection
    • That a projection was computed
    • That classes were present in training