Машинное обучение

<<- Назад к вопросам

Оценка расстояния между двух распределений с помощью статистики
- квадрат будет выглядеть:

(Отметьте один правильный вариант ответа.)

Варианты ответа

$X^2(p,q) = \sum_i \frac{(p(i) - q(i))^2}{q(i)}$

.(Верный ответ)

$KL(p||q)=\sum_i p(i) log \frac{p(i)}{q(i)}$

;

$H^2 (p,q) = \frac{1}{2} \sum_i (\sqrt{p(i)} - \sqrt{q(i)})^2$

;

Похожие вопросы

Оценка расстояний между двумя распределениями с помощью расстояния Хелингера будет выглядеть:

Перейти

Оценка расстояний между двумя распределениями с помощью дивергенции Кульбака-Лейблера будет выглядеть:

Перейти

Как будет выглядеть формула вероятности ошибки в интерпретации обобщающей способности метода

$\mu$

, если взять матожидание по выборке

X^l

от функционала

Q_с

?

Перейти

Если выполнены условия: 1) выборка

X^m

простая, получена из плотности распределения

p(x)

; 2) ядро

K(z)

непрерывно, его квадрат ограничен:

$\int_x k^z (z)dz<\infty$

; 3) последовательность

h_m

такова, что

$\lim_{\limits {m \to \infty}} h_m = 0$

и

$\lim _{\limits{m \to \infty}} mh_m = \infty$

, тогда:

Перейти

Плотность распределения на

имеет вид смеси

распределений

$p(x) = \sum_{j=1}^k w_j p_j(x), \sum_{j=1}^k w_j = 1, w_j \ge 0$

, где

w_j(x)

- это:

Перейти

Плотность распределения на

имеет вид смеси

распределений

$p(x) = \sum_{j=1}^k w_j p_j(x), \sum_{j=1}^k w_j = 1, w_j \ge 0$

, где

p_j(x)

- это:

Перейти

Как будет выглядеть градиент функционала Q в точке

$\alpha^t$

?

Перейти

Как будет выглядеть формула вероятности ошибки в интерпретации обобщающей способности метода

$\mu$

?

Перейти

Как будет выглядеть формула вероятности, когда переобученность превышает допустимый порог

$\epsilon$

?

Перейти

Верно ли утверждение. Функции правдоподобия принадлежат параметрическому семейству распределений

$\varphi(x;\Theta)$

и отличаются только значениями параметра

$p_j(x) = \varphi(x;\Theta)$

.

Перейти