แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ
สนับสนุนแบบทดสอบเครื่องเวกเตอร์
ตรวจสอบการแยกแบบ hard-margin, เวกเตอร์รองรับ soft-margin, เคอร์เนล, ความคล้ายคลึงกันของ C, RBF, การใช้มิติสูง, แกมม่า และการปรับสเกลฟีเจอร์
คำถาม 1 ของ 8
สำหรับข้อมูลไบนารี่แบบแยกเชิงเส้นได้ SVM แบบฮาร์ดมาร์จิ้นต้องการเพิ่มปริมาณทางเรขาคณิตเท่าใด
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- สำหรับข้อมูลไบนารี่แบบแยกเชิงเส้นได้ SVM แบบฮาร์ดมาร์จิ้นต้องการเพิ่มปริมาณทางเรขาคณิตเท่าใด
- จำนวนแถวการฝึกที่ถูกลบ
- ความสว่างของภาพทุกอินพุต
- ขอบแยก
- จำนวนเลเยอร์เครือข่ายที่ซ่อนอยู่
- ตัวอย่างการฝึกอบรมใดที่สนับสนุนเป็นเวกเตอร์สนับสนุนในฟังก์ชันการตัดสินใจ SVC ของเคอร์เนล soft-margin
- จำแนกเฉพาะจุดใกล้ขอบเขตให้ถูกต้องเท่านั้นทุกกรณี
- ตัวอย่างที่มีค่าสัมประสิทธิ์คู่ที่ไม่เป็นศูนย์ รวมถึงตัวที่อาจละเมิดหลักประกันได้
- ตัวอย่างการฝึกอบรมทุกรายการมีน้ำหนักเท่ากันทุกประการตามคำจำกัดความ
- เฉพาะสตริงป้ายกำกับคลาสที่ไม่มีค่าคุณลักษณะ
- ฟังก์ชันเคอร์เนลแทนที่การคำนวณแบบใดในสูตร SVM
- ป้ายการฝึกอบรมทั้งหมด
- ข้อกำหนดสำหรับตัวอย่างอินพุตใดๆ
- ทุกการเปรียบเทียบตัวเลขกับการเรียงลำดับตัวอักษร
- ผลิตภัณฑ์ภายในในการนำเสนอคุณลักษณะโดยนัย
- น้ำหนัก C ในวัตถุประสงค์ SVM แบบ soft-margin มาตรฐานคืออะไร
- บทลงโทษสำหรับการละเมิดมาร์จิ้นที่เกี่ยวข้องกับการทำให้เป็นมาตรฐาน
- จำนวนสีเอาท์พุตบังคับ
- นามสกุลไฟล์ของตัวอย่างการฝึกอบรมทุกรายการ
- จำนวนคลาสในทุกงานที่เป็นไปได้
- เคอร์เนลใดที่มักใช้เพื่อสร้างขอบเขตที่ยืดหยุ่นและโค้งมน
- เคอร์เนล JPEG
- เคอร์เนลฟังก์ชันพื้นฐานรัศมี (RBF)
- เคอร์เนล TCP
- เคอร์เนลตัวอักษร
- การตั้งค่าใดที่ทำให้ SVM คุ้มค่าแก่การประเมิน โดยไม่รับประกันประสิทธิภาพ
- อินพุตเท่านั้นที่ไม่มีการแสดงคุณสมบัติ
- กฎที่ว่าตัวอย่างนับพันล้านตัวอย่างนั้นไม่แพงเสมอไป
- คุณสมบัติอินพุตมากมายสัมพันธ์กับจำนวนตัวอย่าง
- เฉพาะไฟล์เสียงที่ไม่มีการเข้ารหัสตัวเลข
- ด้วยระยะอินพุต RBF คงที่ แกมม่าบวกที่มากกว่าจะส่งผลอย่างไรต่อความคล้ายคลึงที่ลดลงเมื่อระยะทางเพิ่มขึ้น
- ทำให้มันสลายตัวเร็วขึ้น ทำให้เกิดอิทธิพลเฉพาะท้องถิ่นมากขึ้น
- ทำให้มันสลายตัวช้าลง ทำให้เกิดอิทธิพลในวงกว้างขึ้น
- ทำให้ความคล้ายคลึงเท่ากันทุกระยะที่ไม่ใช่ศูนย์
- กำหนดบทลงโทษสำหรับการละเมิดมาร์จิ้นโดยคงความคล้ายคลึงไว้ไม่เปลี่ยนแปลง
- เหตุใดการเปลี่ยนแปลงหน่วยคุณลักษณะจึงส่งผลต่อ RBF SVM เว้นแต่การประมวลผลล่วงหน้าจะจัดการกับสเกล
- RBF เปรียบเทียบลำดับหมวดหมู่โดยไม่สนใจระยะทางของพิกัด
- ค่าคงที่ C จะยกเลิกทุกการเปลี่ยนแปลงของหน่วยคุณลักษณะโดยอัตโนมัติ
- การสกัดกั้นที่เรียนรู้จะทำให้ทุกพิกัดอินพุตเป็นมาตรฐานเสมอ
- เคอร์เนลใช้ระยะทางที่ขึ้นอยู่กับขนาดของคุณลักษณะ