Алгоритмы интеллектуальной обработки больших объемов данных - тест 9

Упражнение 1:

---

Номер 1

Для 10 значений количественного признака X 1; 2; 3; 4; 5; 6; 7; 8; 9; 10 даны соответствующие значения Y: 2,5; 3,1; 0,4; -2,3; -3,2; -0,8; 2,0; 3,0; 1,2; -2,0. Функция регрессии ищется в виде Y=A*sin(X), A=3,174 (квадратичная функция потерь). Для более стабильного результата был применен алгоритм бэггинга (bagging). С помощью датчика случайных чисел были сделаны четыре выборки из указанных 10 примеров с возвращением (указаны только значения X): {1; 1; 2; 3; 4; 6; 8; 8; 10; 10}, {2; 2; 3; 4; 5; 7; 7; 8; 9; 10}, {1; 3; 3; 3; 6; 6; 7; 8; 8; 9}, {4; 4; 4; 5; 5; 5; 6; 9; 9; 9}. Для каждой из четырех выборок вычислите коэффициент A при sin (X) с квадратичной функцией потерь. В качестве ответа укажите среднее арифметическое этих четырех значений с точностью до двух знаков после запятой.

Ответ:

---

Номер 2

Укажите играть в гольф на открытой площадке или нет, основываясь на дерево решений ниже

Ответ:

---

Упражнение 2:

---

Номер 1

Даны четыре примера (наблюдения) в трехмерном пространстве признаков: A(1;4;10), B(2;5;6), C(1;3;8) и D(2;4;8), при этом известно, что первый и третий примеры относятся к классу "1", а второй и четвертый – к классу "0". Для обучения на данных примерах применяется метод случайных подпространств (RSM, random subspace method). Случайным образом были выбраны 5 различных двумерных наборов признаков: (1;4;-), (2;-;6), (-;3;8), (2;4;-), (2;-;8). Принадлежность к классу определяется голосованием – числом наборов, которые относят тот или иной пример к определенному классу. Сколько наборов относят тестовый пример E(2;4;6) к классу "0"? (Напишите ответ в виде целого числа.)

Ответ:

---

Номер 2

В синхронных нейронных сетях в каждый момент времени свое состояние меняет

Ответ:

---

Упражнение 3:

---

Номер 1

Даны четыре примера (наблюдения) в трехмерном пространстве признаков: A(1;4;10), B(2;5;6), C(1;3;8) и D(2;4;8), при этом известно, что первый и третий примеры относятся к классу "1", а второй и четвертый – к классу "0". Для обучения на данных примерах применяется алгоритм случайный лес (random forest). Случайным образом были выбраны 5 наборов примеров и признаков: (1) пример 1 (признаки 1,2) + пример 2 (признаки 1,3); (2) пример 3 (признаки 2,3) + пример 4 (признак 1); (3) пример 2 (признаки 1,2,3) + пример 3 (признак 1); (4) пример 1 (признаки 1,3) + пример 2 (признак 1) + пример 3 (признак 3); (5) пример 1 (признаки 2,3) + пример 4 (признаки 2,3). Для этих пяти наборов были построены соответственно пять деревьев по алгоритму CART, нечистота (impurity) вычислялась по Джини. Принадлежность к классу определяется голосованием – числом деревьев, которые отнесли тот или иной пример к определенному классу. Сколько деревьев отнесут тестовый пример F(2;3;6) к классу "0"? (Напишите ответ в виде целого числа.)

Ответ:

---

Номер 2

Где лучшая область применения нейронных сетей ?

Ответ:

---

Упражнение 4:

---

Номер 1

Что Вы видите на данном графике?

Ответ:

---

Номер 2

Где лучшая область применения ансамблей деревьев решений ?

Ответ:

---

Упражнение 5:

---

Номер 1

Укажите основные подходы к построению стохастических методов:

Ответ:

---

Номер 2

Назовите основные недостатки алгоритма Random Forest ?

Ответ:

---

Упражнение 6:

---

Номер 1

Укажите отрицательные стороны алгоритма Random Forest

Ответ:

---

Номер 2

Выберите неверное высказывание про нейронные сети в сравнении с алгоритмическими композициям

Ответ:

---

Упражнение 7:

---

Номер 1

Если зависимая переменная принимает непрерывные значения, то дерево решений решает задачу:

Ответ:

---

Номер 2

Физический смысл соотношения между большим смещением и маленькой дисперсией характеризуется

Ответ:

---

Номер 3

Укажите не верное выражение характеристики использования алгоритма RandomForest

Ответ:

---