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。

相關引導路徑高斯混合模型
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。

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