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。
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。
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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