引導式測驗 · 中等 等級
高斯混合模型測驗
回顧混合權重、軟責任、協方差結構以及 GMM 似然擬合和 k 均值之間的差異。
問題 1 的 8
對於一項觀察,GMM 責任表達了什麼?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 對於一項觀察,GMM 責任表達了什麼?
- 跨組件的後驗隸屬機率
- 在模型擬合之前分配的硬組件標籤
- 每個觀察共享的先前混合權重
- 密度值根據觀測值而不是成分進行歸一化
- 哪一種協方差結構讓每個分量都有自己的通用協方差矩陣?
- Spherical
- Full
- Tied
- Diagonal
- 對角協方差假設在每個分量中排除了什麼?
- 混合物重量不等
- 不同的成分意味著
- 非對角特徵協方差
- 軟責任
- k-means 與指南中的 GMM 有何不同?
- GMM 將每個點平等地分配給所有組件
- K-means 估計分量協方差; GMM 只使用最近的質心
- 兩者都優化相同的可能性並且總是返回相同的分配
- K-means 最小化平方距離; GMM 估計機率混合密度
- 為什麼不同的 GMM 初始化會產生不同的擬合?
- 可能性是凸的,因此初始值並不重要
- 混合似然是非凸的並且可以具有局部最優
- 協方差矩陣可防止混合成分重疊
- 添加組件總是會提高保留的可能性
- 高維度的完整協方差矩陣會帶來什麼權衡?
- 他們消除了模型選擇的需要
- 它們迫使所有元件共享一種均值
- 數據有限,參數較多,過擬合風險較大
- 他們使每項責任都是平等的
- 排列成分標籤對擬合的混合物密度有何作用?
- 它將軟分配更改為已知標籤
- 它使協方差矩陣對角化
- 它保證更好的固定貼合
- 當參數和權重排列在一起時,它會留下相同的密度
- 為什麼 0.51 的責任不應該呈現為某些集群成員資格?
- 它為競爭組件留下了很大的可能性
- 保證似然比為一
- 證明模型選擇的組件過多
- 這意味著觀測值的密度為零