引導式測驗 · 中等 等級

線性判別分析測驗

回顧 LDA 分類和投影、共享協方差假設、判別維度以及與 PCA 的差異。

相關引導路徑線性判別分析
問題 1 的 8

為什麼常見的LDA分類會產生線性決策邊界?

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. 為什麼常見的LDA分類會產生線性決策邊界?
    • 它在每種情況下都使用特定於類別的協方差矩陣
    • 它在沒有標籤的情況下最大化總特徵方差
    • 類別在其通常的高斯模型中共享協方差矩陣
    • 當班級規模不同時,它會忽略班級先驗
  2. LDA 在其監督縮減角色中如何選擇投影方向?
    • 在沒有標籤的情況下最大化總方差
    • 相對於類內變異有利於類分離
    • 僅根據邊際方差選擇特徵
    • 僅保留均值最大的原始列
  3. 對於 K 個類別且至少 K 減去一個輸入特徵,有用的 LDA 判別方向的數量的上限是多少?
    • K squared
    • K
    • 觀察次數
    • K 減一
  4. 與 LDA 相比,PCA 優化了哪個目標?
    • 不使用類標籤的總體變異數較高
    • 類別後驗機率
    • 使用標籤實現最大類別分離
    • 每個閾值的最小分類誤差
  5. 低方差方向什麼時候對 LDA 很重要?
    • 無論標籤如何,當它具有最小方差時
    • 僅當 PCA 已選擇它時
    • 當它分隔標記類別時
    • 僅當每個類別的平均值相同時
  6. 二次判別分析與一般LDA相比有何變化?
    • 每個類別必須具有相同的先驗機率
    • 每個類別可能有自己的協方差矩陣
    • 每個類別的平均值都必須相等
    • 所有二次項均從類別比較中刪除
  7. 當特徵數量遠多於樣本數時,為什麼 LDA 會在數值上變得困難?
    • 類別的數量必須自動變大
    • 無法從任何標記樣本中估計類別先驗
    • 共享協方差假設消除了所有條件問題
    • 協方差估計可能是奇異的或不穩定的
  8. 繪圖顯示 LDA 投影後分離的訓練組。什麼尚未確定?
    • 對保留資料的可靠概括
    • 標籤影響了投影
    • 計算了投影
    • 該課程參加了培訓