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.

Связанные направляющие путиАлгоритм максимизации ожидания
Вопрос 1 из 8

Что рассчитывает E-step, используя текущие параметры?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

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