Машинное обучение

<<- Назад к вопросам

Если известны
и
, то минимум среднего риска
не будет достигнут при:

(Ответ считается верным, если отмечены все правильные варианты ответов.)

Варианты ответа

$a(x) = \arg \max _{\limits{y \in Y}} \lambda _y P_y p_y(x)$

$a(x) = \arg \min _{\limits{s \in Y}} \sum _{\limits {y \in Y}} \lambda _{ys} P_y p_y(x)$

$a(x) \ge \arg \max _{\limits{s \in Y}} \sum _{\limits {y \in Y}} \lambda _{ys} P_y p_y(x)$

(Верный ответ)

Похожие вопросы

Если известны

P_y = P(y)

и

P_y(x) = p(x|y)

, и

$\lambda_{yy} = 0$

, а

$\lambda_{ys} = \lambda_y$

для всех

,

$s \in Y$

, то минимум среднего риска

R(a)

достигается при:

Перейти

Если известны

P_y = P(y)

и

P_y(x) = p(x|y)

, то минимум среднего риска

R(a)

достигается при:

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

Если в корректирующей операции

$b(x) = F(b_1(x),g_1(x),...,b_r(x), g_r(x)) = \sum_{t=1}^T gt(x) b_t(x)$

функция

gt(x)

принимает только два значения

$\{0,1\}$

, то множество всех

$x \in X$

, для которых

gt(x) = 1

, называется:

Перейти

Какой получится алгоритм, если ввести функцию ядра

k(z)

невозрастающую на

$[0, \infty)$

и положив

$w(i,u)=k(\frac{1}{h} \rho(u, x_u^{(i)}))$

в формуле

$a(u;X^l) = \arg \max_{y \in Y} Г_y(u;X^l)$

?

Перейти

Какой получится алгоритм, если

определить как наибольшее число, при котором ровно

ближайших соседей объекта

получают нулевые веса:

$h(u)=\rho(u,x_u^{(k+1)})$

.

Перейти

Как будет называться предикат

$\varphi(x)$

, если

$E_c(\varphi,X^l) \le \varepsilon$

и

$D_c(\varphi, X^l) \ge \delta$

при заданных достаточно малом

$\varepsilon$

и достаточно большом

$\delta$

из отрезка [0,1]?

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

Разделяющая поверхность

$\{ x \in X | \lambda_y P_y p_y(x)=\lambda_s P_s p_s (x) \}$

квадратичная для всех

,

$s \in Y, y \ne s$

будет вырождена в линейную, если:

Перейти

Если объекты

x_i

либо лежат внутри разделяющей полосы, но классифицируются правильно

$(0 < \xi_i < 1, 0 < m_i < 1)$

, либо попадают на границу классов

$(\xi_i = 1, m_i = 0)$

, либо вообще относятся к чужому классу

$(\xi_i > 1, m_i < 0)$

, то их называют:

Перейти