מה החשיבות של הורדת ממדים?

• All the answers are correct

• Reducing examples

• Time and Space Complexity

• Visualization

De-compression מחזיר אותנו לשלב המקורי

• לא נכון

• נכון

מה הם שלבי האלגוריתם של PCA

• 1) Scaling.

  2) Matrix Transpose.

  3) Find eigenvalues.

  4) Sigma Matrix.

  5) Choose best K vectors.

• 1) Matrix Transpose.

  2) Scaling.

  3) Sigma Matrix.

  4) Find eigenvalues.

  5) Choose best K vectors.

• 1) Scaling.

  3) Sigma Matrix.

  2) Matrix Transpose.

  4) Find eigenvalues.

  5) Choose best K vectors.

• 1) Scaling.

  2) Matrix Transpose.

  3) Sigma Matrix.

  4) Find eigenvalues.

  5) Choose best K vectors.

Naive Bayes אלגוריתם

• קל ליישום ומאוד שימושי

• קשה ליישום אך מדויק

• מניחים שקיימת תלות בין המשתנים

• אלגוריתם קלסיפיקציה

Bootstrapping

• ניתן לבצע הערכה על אוכלוסייה אחת

• עוזר להעריך פרמטרים כגון ס"ט, ממוצע, היפותזות

• מתבסס על דגימה רנדומית של המשתנים ללא חזרות.

• יש צורך בהתפלגות

הסקה בייסיאנית: כאשר התכונות הם מספריות נעדיף להשתמש ב

• הנחת התפלגות נורמלית

• Binning (חלוקת ערכים לקטגוריות)

ממדים K בבחירת

• smallest K

  יותר יעיל

  פחות מדויק

• K = n

  יותר מדויק

  יותר יעיל

• smallest K

  פחות יעיל

  יותר מדויק

• bigger K

  פחות מדויק

  יותר יעיל

אני מוכן למבחן :)

• 
• 

What is not an advantage in Bootstrapping?

• עובד עם אוכלוסיות גדולות

• עובד עם אוכלוסיות קטנות

• לא מצריך הנחות קודמות

• עובד עם הרבה התפלגויות