Egymást kölcsönösen kizáróak-e a szabályok?

Kimerítő-e a szabályhalmaz?

Szükséges-e a szabályhalmazhoz rendezés?

Szükséges-e a szabályhalmazhoz alapértelmezett osztály?

Tételezzük fel, hogy R 1 -et 350 pozitív eset és 150 negatív eset fedi le, míg R 2 -t 300 pozitív eset és 50 negatív eset fedi le. Számolja ki az R 2 szabály R 1 szabályra vonatkozó FOIL-féle információ-nyereségét.

Vegyünk egy 500 pozitív esetet és 500 negatív esetet tartalmazó validációs halmazt. Az R 1 szabályról tételezzük fel, hogy 200 pozitív esetet és 50 negatív esetet fed le. Az R 2 szabályról tételezzük fel, hogy 100 pozitív esetet és 5 negatív esetet fed le. Mindkét szabályra számolja ki v IREP értékét. Melyik szabályt preferálja az IREP?

Számolja ki v RIPPER értékét az előző problémára. Melyik szabályt preferálja a RIPPER?

Fejtse ki mindkét módszer előnyeit és hátrányait.

Tekintsünk egy olyan adathalmazt, amelyben nagyon eltérő az osztályok mérete (azaz egyes oszályok sokkal nagyobbak a többinél). A C4.5rules és RIPPER közül melyik jobb a kis osztályokhoz nagypontosságú szabályok találása tekintetében?

a szabály pontossága,

FOIL-féle információ-nyereség,

likelihood-hányados statisztika,

Laplace-mérték,

M -becslés mérték ( k=2 és p + =0,2 mellett).

likelihood-hányados statisztika,

Laplace-mérték,

(c) M -becslés mérték ( k=2 és p + =0,58 mellett).

A szabály pontossága R1 felfedezése után, ahol egyik R1 által lefedett eset sem kerül elhagyásra.

A szabály pontossága R1 felfedezése után, ahol csak az R1 által lefedett pozitív esetek kerülnek elhagyásra.

A szabály pontossága R1 felfedezése után, ahol elhagyásra kerülnek az R1 által lefedett pozitív és negatív esetek.

Tételezzük fel, hogy az alapképzésben résztvevő diákok 15% -a dohányzik, és hogy a mesterszakos diákok 23% -a dohányzik. Ha a diákok egyötöde mesterszakos, a többi pedig alapképzésben vesz részt, akkor mi annak a valószínűsége, hogy egy dohányzó diák mesterszakos?

Az (a) részben adott információk mellett egy véletlenszerűen kiválasztott diák mesterszakos vagy alapképzésben vesz részt nagyobb valószínűséggel?

Ismételje meg a (b) részt, azt feltételezve, hogy a diák dohányzik.

Tételezzük fel, hogy a mesterszakos diákok 30% -a lakik kollégiumban, de csak az alapképzésben résztvevő diákok 10% -a lakik kollégiumban. Ha egy diák dohányzik és kollégiumban lakik, akkor mesterszakos vagy alapképzésben résztvevő nagyobb valószínűséggel? Függetlenséget feltételezhetünk a dohányzó és kollégiumban lakó diákok között.

Becsülje meg a P(A|+) , P(B|+) , P(C|+) , P(A|−) , P(B|−) és P(C|−) feltételes valószínűségeket.

Használja fel a feltételes valószínűségek az előző kérdésben megadott becsléseit egy ( A=0,B=1,C=0 ) tesztminta osztálycímkéjének naiv Bayes-féle módszer segítségével történő prediktálásához.

Adja meg a feltételes valószínűségek becslését az M -becslés módszer segítségével p=1/2 és m=4 mellett.

Ismételje meg a (b) részt a (c) részben megadott feltételes valószínűségek felhasználásával.

Hasonlítsa össze a valószínűségeket becslő két módszert. Melyik módszer jobb, és miért?

Becsülje meg a P(A=1|+) , P(B=1|+) , P(C=1|+) , P(A=1|−) , P(B=1|−) és P(C=1|−) feltételes valószínűségeket ugyanazzal a módszerrel, mint az előző feladatban.

Használja fel az (a) rész feltételes valószínűségeit egy (A=1,B=1,C=1) tesztminta osztálycímkéjének a naiv Bayes-féle módszer segítségével történő prediktálásához.

Hasonlítsa össze a P(A=1) , P(B=1) és P(A=1,B=1) valószínűségeket. Adja meg az A és B közötti kapcsolatot.

Ismételje meg a (c) részbeli elemzést P(A=1), P(B=0) és P(A=1, B=0) felhasználásával.

Hasonlítsa össze P(A=1, B=1 | Osztály =+)-t a P(A=1 | Osztály +=) és P(B=1 | Osztály =+) valószínűségekkel. Feltételesen függetlenek-e a változók, ha meg van adva az osztály?

Magyarázza meg, hogy hogyan működik a naiv Bayes módszer az 5.46. ábrán látható adatokra.

Jobban teljesít-e a naiv Bayes módszer akkor, ha minden osztályt úgy osztunk tovább, hogy négy osztály lesz (A1, A2, B1 és B2)?

Hogyan teljesít egy döntési fa az adatokon a kétosztályos problémára? Mi a helyzet négy osztály esetén?

Rajzolja fel a hálóban minden csúcshoz a valószínűségi táblát.

Használja a Bayes-féle hálót P(Motor = Rossz,Légkondicionáló = Hibás) kiszámításához.

P(Akkumulátor = jó, Üzemanyag = üres, Benzinszintjelző = üres, Indulás = igen).

P(Akkumulátor = rossz, Üzemanyag = üres, Benzinszintjelző = nem üres, Indulás = nem).

Számítsa ki annak valószínűségét, hogy az autó elindul akkor, ha rossz az akkumulátor.

Osztályozza az x=5,0 adatpontot az 1-, 3-, 5- és 9-legközelebbi szomszédja szerint (többségi szavazás segítségével).

Ismételje meg az előző elemzést az 5.2.1. részben leírt távolsággal súlyozott szavazási módszer segítségével.

Mutassa be, hogy hogyan reprezentálhatók egy perceptron modell segítségével a két logikai változó közötti AND és OR függvények.

Értékelje lineáris függvények többrétegű neurális hálók aktivációs függvényeként történő használatának hátrányát.

Ábrázolja M 1 és M 2 ROC-görbéjét. (Tegye ezt ugyanazon az ábrán.) Ön szerint melyik modell jobb? Magyarázza meg az okait.

Tételezzük fel, hogy a vágási küszöböt t=0,5 -nek választja az M 1 modellhez. Más szóval, pozitív esetként osztályozunk minden olyan tesztesetet, amelynek a posteriori valószínűsége nagyobb, mint t . Számítsa ki a modell precizitását, felidézését és F -mértékét ennél a küszöbértéknél.

Ismételje meg a (b) rész elemezését az M 2 modellre ugyanazzal a vágási küszöbbel. Hasonlítsa össze az F -mérték eredményeket a két modellre. Melyik modell jobb? Összhangban vannak-e az eredmények azzal, amit a ROC-görbétől vár?

Ismételje meg a (b) részt az M 1 modellre a t=0,1 küszöb használatával. Melyik küszöböt tartja jobbnak, t=0,5 -et vagy t=0,1 -et? Összhangban vannak-e az eredmények azzal, amit a ROC-görbétől vár?

Építsen egy döntési fát az adatokhoz. Eleget tesz-e a fa a `` + '' és `` − '' osztályokra feltételezetteknek?

Mi a döntési fa pontossága, precizitása, felidézése és F 1 -mértéke? (Megjegyezzük, hogy a precizitást, felidézést és F 1 -mértéket a `` + '' osztály szerint definiáltuk.)

Építsen egy új döntési fát a következő költségfüggvénnyel:

Mi az új döntési fa pontossága, precizitása, felidézése és F 1 -mértéke?

Tekintsük egy kétosztályos probléma költségmátrixát. Legyen C(+,+)=C(−,−)=p , C(+,−)=C(−,+)=q és q≥p . Mutassa meg, hogy a költségfüggvény minimalizálása ekvivalens az osztályozó pontosságának maximalizálásával.

Mutassa meg, hogy a költségmátrix skála-invariáns. Ha például a költségmátrixot C(i,j)→βC(i,j) módon skálázzuk, ahol β a skálafaktor, akkor a döntési küszöb ((5.82) egyenlet) változatlan marad.

Mutassa meg, hogy a költségmátrix eltolás-invariáns. Más szavakkal, egy konstans tényezőnek a költségmátrix minden eleméhez való hozzáadása nem befolyásolja a döntési küszöböt ((5.82) egyenlet).

Tegyük fel, hogy azonos számú pozitív és negatív rekord van az adatokban, és hogy a döntési fa osztályozó minden tesztrekordot pozitívként prediktál. Mi az osztályozó várható hibaaránya a tesztadatokon?

Ismételje meg az előző elemzést azt feltételezve, hogy az osztályozó minden egyes tesztrekordot 0,8 valószínűséggel prediktál pozitív osztályúként és 0,2 valószínűséggel negatív osztályúként.

Tegyük fel, hogy az adatok kétharmada tartozik a pozitív osztályhoz, és hogy a maradék egyharmad a negatív osztályhoz tartozik. Mi egy minden tesztrekordot pozitívként prediktáló osztályozó várható hibája?

Ismételje meg az előző elemzést azt feltételezve, hogy az osztályozó minden egyes tesztrekordot 2/3 valószínűséggel prediktál pozitív osztályúként és 1/3 valószínűséggel negatív osztályúként.