Машинное обучение

<<- Назад к вопросам

Выберите верный вариант. Если для каждого класса
$c \in Y$
построено множество логических правил, специализирующихся на различении объектов данного класса
$R_c=\{\varphi_c^t:X \to \{0,1\}|t=1,...,T_c\}$
и если
$\varphi_c^t(x)=0$
, то:

(Отметьте один правильный вариант ответа.)

Варианты ответа

правило

$\varphi_c^t$

воздержится от классификации объекта Х;(Верный ответ)

правило

$\varphi_c^t$

описывает объект

$x \in X$

к классу С;

правило

$\varphi_c^t$

отнесет объект

$x \in X$

к другому классу.

Похожие вопросы

Выберите верный вариант. Если для каждого класса

$c \in Y$

построено множество логических правил, специализирующихся на различении объектов данного класса

$R_c=\{\varphi_c^t:X \to \{0,1\}|t=1,...,T_c\}$

и если

$\varphi_c^t(x)=1$

, то:

Перейти

Какой алгоритм каждому правилу

$\varphi_c^t$

приписывает вес

$\alpha_c^t \ge 0$

, и при голосовании берётся взвешенная сумма голосов

$Г_c(x)=\sum_{t=1}^{T_c} \alpha_c^t \varphi_c^t(x), \alpha_c^t \ge 0$

?

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

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 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

Верно ли, что если правило

$\varphi_c^t(x)=1$

, то объект будет определен в другом классе?

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

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

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