База ответов ИНТУИТ

Машинное обучение

<<- Назад к вопросам

Какая функция не считает за ошибки отклонения
a(x_i)
от
y_i
, меньшие
\varepsilon
?

(Отметьте один правильный вариант ответа.)

Варианты ответа
|z|_{\varepsilon} = \max\{0,|z|-\varepsilon\}
;
(Верный ответ)
a(x) = \langle w, x \rangle - w_0
;
h = |I_S|
;
Похожие вопросы
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]?
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:
Если известны
P_y = P(y)
и
P_y(x) = p(x|y)
, и
\lambda_{yy} = 0
, а
\lambda_{ys} = \lambda_y
для всех
y
,
s \in Y
, то минимум среднего риска
R(a)
достигается при:
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:
Как будет выглядеть формула вероятности ошибки в интерпретации обобщающей способности метода
\mu
, если взять матожидание по выборке
X^l
от функционала
Q_с
?
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)
?
Какой получится алгоритм, если
h
определить как наибольшее число, при котором ровно
k
ближайших соседей объекта
u
получают нулевые веса:
h(u)=\rho(u,x_u^{(k+1)})
.
Если используется квартическое ядро
\hat K(\varepsilon) = K_Q(\frac{\varepsilon}{6med\{ \varepsilon_i \}})
, где
med\{ \varepsilon_i \}
- медиана вариационного ряда ошибок, то это называют:
Плотность распределения на
X
имеет вид смеси
k
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:
Плотность распределения на
X
имеет вид смеси
k
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: