Машинное обучение

<<- Назад к вопросам

В какой из выборок
является гистограммой значений для оценки плотности:

(Отметьте один правильный вариант ответа.)

Варианты ответа

$p(x)=\lim_{\limits{h\to 0}} \frac {1}{2h} P [x-h, x+h]$

$\hat p_h (x) = \frac{1}{2mh} \sum_{\limits{i=1}}^m [ |x-x_i| < h]$

$\hat p_h (x) = \frac{1}{m} \sum_{\limits{i=1}}^m [ x_i = x]$

(Верный ответ)

$\hat p_h(x) = \frac {1}{mh} \sum _{\limits{i=1}}^m k(\frac{x-x_i}{h})$

Похожие вопросы

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

Как называется величина

M_i(w) = y_if(x_i,w)

объекта

x_i

относительно алгоритма классификации

a(x, w) = sign f(x, w)

?

Перейти

Как называется величина

M_i(w) = y_if(x_i,w)

объекта

x_i

относительно алгоритма классификации

a(x, w) = sign f(x, w)

?

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

Будет ли алгоритм допускать ошибку на объекте

x_i

, если

M_i(w) < 0

?

Перейти

Будет ли алгоритм допускать ошибку на объекте

x_i

, если

M_i(w) < 0

?

Перейти

Есть гипотеза, где классы имеют

-мерные гауссовские плотности:

$p_y(x) = N(x; \mu_y; \sum y) = \frac {e^{-\frac{1}{2}(x-\mu_y)^T \sum \limits_ {y}^{-1} (x-\mu_y) } }{\sqrt {(2\pi)^n det \sum_y}}$

, где -

$y \in Y$

, то вектором матожидания класса

$y \in Y$

будет:

Перейти

Есть гипотеза, где классы имеют

-мерные гауссовские плотности:

$p_y(x) = N(x; \mu_y; \sum y) = \frac {e^{-\frac{1}{2}(x-\mu_y)^T \sum \limits_ {y}^{-1} (x-\mu_y) } }{\sqrt {(2\pi)^n det \sum_y}}$

, где -

$y \in Y$

, то ковариационной матрицей класса

$y \in Y$

будет:

Перейти

В формуле совместной плотности

p(x,y) = p(x) P(y|x) = P(y)p(x|y)

функцией апостеорной вероятности класса

будет функция:

Перейти

В формуле совместной плотности

p(x,y) = p(x) P(y|x) = P(y)p(x|y)

функцией априорной вероятности класса

будет функция:

Перейти