Викторина, связанная с руководством · Средний Уровень
Викторина по алгоритму максимизации ожидания
Следуйте шагу E и шагу M в моделях со скрытыми переменными и отличайте улучшение правдоподобия от глобальной оптимальности или достоверности модели.
Вопрос 1 из 8
Что рассчитывает E-step, используя текущие параметры?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Что рассчитывает E-step, используя текущие параметры?
- Условные ожидания количества полных данных или логарифмической вероятности
- Глобальный максимум наблюдаемой вероятности
- Жесткие метки для каждой скрытой переменной по необходимости
- Новый набор данных проверки
- Что представляют собой обязанности в гауссовой смеси?
- Фиксированные метки, известные до установки
- Апостериорные вероятности принадлежности для наблюдений между компонентами
- Компонент означает, умноженный на ковариации
- Количество оставшихся итераций EM
- Что делает М-шаг после расчета ожиданий?
- Автоматически меняет количество функций
- Заменяет все наблюдения метками компонентов.
- Максимизирует ожидаемую цель получения полных данных по параметрам
- Вычисляет только вероятность проверки
- Какую гарантию дает точная ЭМ при соответствующих предположениях?
- Выбранная модель научно верна.
- Он находит уникальный глобальный оптимум
- Каждое скрытое поручение становится достоверным
- Вероятность наблюдаемых данных не уменьшается на каждой итерации
- Различные инициализации EM заканчиваются с разной вероятностью. Что это означает?
- E-шаг не нужен
- Оптимизация чувствительна к стартам и может иметь локальные оптимумы.
- Данные не содержат скрытых переменных.
- Все оценки параметров несмещены.
- Почему смешанные обязанности не являются автоматически тяжелыми заданиями?
- Это метки классов, скопированные из цели.
- Они всегда равны для каждого наблюдения
- Это вероятности, которые могут распределить одно наблюдение по компонентам.
- Они представляют собой лишь недостающие данные
- На что указывает небольшое улучшение вероятности остановки?
- Латентная структура имеет причинное значение.
- Модель доказала свою адекватность
- Глобальный оптимум определен
- Выбранный численный критерий сходимости был соблюден.
- Чем обобщенная ЭМ отличается от точной ЭМ?
- Его М-шаг может увеличить ожидаемую цель без ее полной максимизации.
- Он удаляет скрытые переменные
- Это гарантирует глобальный оптимум
- Он заменяет вероятность точностью классификации.