Fiszki
morajda sys rozproszoe
Test w formie fiszek
Ilość pytań: 36
Rozwiązywany: 758 razy
Istotną WADĄ sieci neuronowych jako modeli eksploracji danych jest:
brak zdolności do modelowania zjawisk nieliniowych
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
bardzo długi czas reakcji (odpowiedzi) nauczonej sieci
nieparametryczność
brak zdolności wyjaśniania (uzasadniania) wygenerowanych odpowiedzi
Końcowe trzy etapy eksploracji danych w metodologii CRISP-DM to KOLEJNO:
Wdrożenie - Ewaluacja - Modelowanie
Modelowanie - Wdrożenie - Ewaluacja
Modelowanie - Ewaluacja - Wdrożenie
Ewaluacja - Modelowanie - Wdrożenie
Modelowanie - Ewaluacja - Wdrożenie
Iloczyn skalarny wektora cech z pewnym wektorem wag można traktować jako formę:
regresji liniowe
redukcji wymiarowości
obrotu w przestrzeni cech
ekstrakcji cech
regresji liniowe
W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3 możliwewartości: "biały","czerwony", "niebieski". Dany problem zaliczamy do zadań:
klasyfikacji wzorcowej
klasyfikacji bezwzorcowej (grupowania)
poszukiwania reguł asocjacyjnych
regresyjnych (szacowanie, predykcja)
klasyfikacji wzorcowej
Argumentem funkcji aktywacji neuronu typu RBF jest
iloczyn skalarny wektorów: wejściowego x i wag w
suma sygnałów x1 + x2 + ... wektora wejściowego x
odległość wektorów: wejściowego x i wag w
ważona liczba wejść danego neuronu
odległość wektorów: wejściowego x i wag w
Algorytm aglomeracyjny rozpoczyna proces analizy od stanu, w którym:
obiekty są losowo przydzielone do skupień, a liczba skupień jest z góry określana
każdy obiekt tworzy osobne skupienie
wszystkie obiekty tworzą jedno skupenie
obiekty podzielone są wstępnie przy użyciu innej metody grupowania
każdy obiekt tworzy osobne skupienie
Technika k-krotnej walidacji krzyżowej służy do:
ustalenia optymalnego momentu przerwania uczenia modelu
klasteryzacji zbioru na k maksymalnie odległych skupień
uniknięcia tendencyjności w ocenie jakości modelu
wyeliminowania wzajemnych zależności między zmiennymi
uniknięcia tendencyjności w ocenie jakości modelu
Wskaż metodę NIEPRZYDATNĄ w rozwiązywaniu zadań predykcyjnych:
liniowa regresja wieloraka
sieć neuronowa typu PERCEPTRON WIELOWARSTWOWY
sieć neuronowa typu RBF
algorytm k-średnich
algorytm k-średnich
Problem klasyfikacyjny polega na:
ustaleniu optymalnej liczby klas, do których należą obserwacje
rozróżnianiu obserwowanych cech na wejściowe i wyjściowe
prognozowaniu kategorii obserwacji na podstawie jej cech
poszukiwaniu przypadków najbardziej reprezentacyjnych dla klas
prognozowaniu kategorii obserwacji na podstawie jej cech
Rolą pojedynczego neuronu w warstwie perceptronu użytego do klasyfikacji jest:
rozpoznawanie jednego przypadku w zbiorze
klasyfikacja pojedynczej cechy wejściowej
podział przestrzeni wejść na dwie półprzestrzenie
rozpoznawanie jednej ze znanych klas w zbiorze
podział przestrzeni wejść na dwie półprzestrzenie
Przyjęcie metryki L1 (metryki Manhattan) sprawia, że okręgi przyjmują kształt:
rombów
kardioid
elips
trójkątów
rombów
Przycinanie drzew decyzyjnych stosuje się w celu:
redukcji liczby klas
eliminacji zmiennych nieistotnych
ponownego przeprowadzenia podziału w miejscu cięcia
uniknięcia przeuczenia i skomplikowania modelu
uniknięcia przeuczenia i skomplikowania modelu
Problem regresyjny polega na:
prognozowaniu wartości na podstawie obserwowanych cech
znajdowaniu prostej najlepiej dopasowanej do obserwacji
poszukiwaniu korelacji między zmiennymi wejściowymi
dopasowaniu współczynników modelu do obserwacji uczących
poszukiwaniu korelacji między zmiennymi wejściowymi
Typowy zbiór danych używany do trenowania modeli uczenia maszynowego składa się z:
klas zawierających instancje
obiektów posiadających atrybuty
instancji zgrupowanych w kategorie
obserwacji obejmujących cechy
obserwacji obejmujących cechy
W pewnym problemie eksploracji danych zmienna wyjściowa (zależna) przyjmuje 3
możliwe wartości: “biały”, “czerwony”, “niebieski”. Dany problem zaliczamy do zadań:
regresyjnych (szacowanie, predykcja)
klasyfikacji bezwzorcowej (grupowania)
poszukiwania reguł asocjacyjnych
klasyfikacji wzorcowej
klasyfikacji wzorcowej
Aby wyeliminować tzw. efekt przeuczenia sieci neuronowej (uczenie nadzorowane), należy
uznać za optymalny (ostateczny) zbiór wartości wag, otrzymany w momencie:
zidentyfikowania minimum lokalnego funkcji błędu uczącego
minimum błędu dla ciągu walidacyjnego
zakończenia działania algorytmu uczącego
minimum błędu dla ciągu uczącego
minimum błędu dla ciągu walidacyjnego