WorksheetsTUM Powtórka
Total questions: 17
Worksheet time: 13mins
Jakie algorytmy spośród podanych wymagają skalowania danych?
KNN
Drzewo decyzyjne
SVM
Perceptron
Jak nazywa się miara jakości dopasowania modelu regresji liniowej do danych?
Współczynnik determinacji 𝑅2
F1
ACC
MAE
Które z poniższych stwierdzeń najlepiej opisuje sposób aktualizacji wag w perceptronie?
Wagi są aktualizowane za pomocą gradientu stochastycznego
Wagi są aktualizowane za pomocą algorytmu Levenberga-Marquardta
Wagi są aktualizowane zgodnie z regułą perceptronową
Wagi są aktualizowane za pomocą metody najmniejszych kwadratów
W SVM, co oznacza maksymalizacja marginesu?
Maksymalizacja liczby próbek w zbiorze uczącym
Maksymlizacja odl. między najbliższymi pkt., a hiperplanem rozdzielającym
Maksymalizacja liczby wymiarów danych
Minimalizacja liczby support vectorów
Funkcja jądra (kernel) w SVM służy do:
Przekształcenia danych w wyższy wym. w celu znalezienia liniowej separacji
Zmniejszenia wymiarowości danych
Normalizacji danych
Zmniejszenia liczby support vectorów
W drzewie decyzyjnym, jak nazywa się miara stosowana do oceny podziałów w węzłach?
Odchylenie standardowe
R2
Wartość P
Gini
Która z poniższych metod służy do przycinania drzew decyzyjnych?
Przycinanie przed podziałem, np. min_split
Regularizacja L1
Normalizacja danych
Przycinanie po podziale, np. ustawienie max_depth
W algorytmie KNN, odległości między punktami danych mogą być mierzone za pomocą:
Odległości Euklidesowej
Odległości Manhattan
Odległości Minkowskiego
Wszystkie powyższe
W uczeniu przez wzmocnienie, macierz wartości Q służy do:
Oceny dokładności modelu
Minimalizacji funkcji kosztu
Oceny jakości akcji w danym stanie
Klasteryzacji danych
Które z poniższych stwierdzeń dotyczących problemu nadmiernego dopasowania (overfitting) jest prawdziwe?
występuje, gdy model jest zbyt prosty
występuje, gdy model zbyt dobrze dopasowuje się do danych treningowych, a źle do testowych
wszystkie odpowiedzi są poprawne
można całkowicie wyeliminować przez zwiększenie zbioru treningowego
Które z poniższych stwierdzeń dotyczących regresji liniowej są prawdziwe?
Minimalizuje sumę kwadratów błędów
Zawsze daje najlepsze wyniki predykcyjne
Zakłada liniową zależność między zmiennymi objaśniającymi a zmienną zależną
Może być rozwiązana analitycznie za pomocą metody najmniejszych kwadratów
Kernel RBF (Radial Basis Function) w SVM:
Tworzy liniową granicę decyzyjną
Ma parametr gamma kontrolujący "szerokość" kernela
Jest zawsze lepszy od kernela liniowego
Nie może być używany w problemach klasyfikacji
K-Nearest Neighbors (KNN), w algorytmie KNN:
K oznacza liczbę cech w danych
Większe K zwykle oznacza bardziej gładką granicę decyzyjną
Algorytm jest typu "lazy learning"
Wszystkie powyższe są prawdziwe
W uczeniu ze wzmocnieniem agent:
Uczy się na podstawie par (input, output)
Maksymalizuje skumulowaną nagrodę
Nie potrzebuje środowiska do interakcji
Zawsze zna optymalną strategię
LIME - Local Interpretable Model-agnostic Explanations
Wyjaśnia globalne zachowanie modelu
Tworzy lokalne przybliżenie interpretowalnym modelem
Działa tylko z modelami liniowymi
Nie wymaga danych treningowych
Który z poniższych algorytmów jest nienadzorowany?
Regresja liniowa
Drzewo decyzyjne
Algorytm k-means
Regresja logistyczna
Jaka jest rola wartości własnych (eigenvalues) w PCA?
Określają kierunki składowych głównych
Określają wariancję wyjaśnianą przez składowe główne
Są używane do normalizacji danych
Określają liczbę cech wejściowych
