D
Kt贸re z poni偶szych metod nale偶膮 do arsena艂u metod wst臋pnej obr贸bki danych:
Dyskretyzacja atrybut贸w ci膮g艂ych
Dyskretyzacja atrybut贸w ca艂kowitych
Dyskretyzacja atrybut贸w porz膮dkowych
Dyskretyzacja atrybut贸w o warto艣ciach rzeczywistych
Kt贸ry z poni偶szych wzor贸w umo偶liwia obliczanie entropii:
Atrybuty symboliczne to atrybuty
Kt贸re w przypadku u偶ycia sieci neuronowych zostaj膮 zast膮pione warto艣ciami rzeczywistymi
Podczas krzy偶owania wykorzystano metod臋 CX
R1: 4 7 2 1 6 9 11 8 3 10 5
R2: 4 2 11 8 10 7 3 6 1 5 9
W zwi膮zku z tym zachodz膮 nast臋puj膮ce relacje mi臋dzy potomkami:
R2 = D1, R1=D2
R2!=D2, R1!=D1
Budowa naiwnego klasyfikatora Bayesa wymaga
Znajomo艣ci arno艣ci wszystkich atrybut贸w
Obliczania entropii dla ka偶dego z atrybut贸w
Wykorzystania zbioru ucz膮cego podczas klasyfikacji element贸w ze zbioru tekstowego
Do klasyfikacji wiersza danych
Do jakiej klasy zosta艂 zakwalifikowany 贸w wiersz, je艣li wiadomo, 偶e klasyfikator nie zwr贸ci艂 warto艣ci 鈥瀗ie wiem鈥?
Do klasy ACC. Drzewo poka偶e wynik ACC, poniewa偶 w takim przypadku zasugeruj臋 si臋 wi臋ksz膮 liczb膮 udzielonych odpowiedzi. UNACC = 20 < ACC=23
Warto艣膰 A1 i A2 jest podana i jedyn膮 nie wiedza A3 zatem rozpatruj膮c poddrzewo o korzeniu w A3:
acc= 23/43 unacc= 20/43 unacc<acc korze艅 zosta艂 zakwalifikowany do acc
Poni偶sza macierz mog艂aby by膰 macierz膮 wag dw贸ch sieci neuronowych ze sprz臋偶eniem zwrotnym. Jakich? Jakie parametry tych sieci mo偶na okre艣li膰 z ca艂膮 pewno艣ci膮 na podstawi tej macierzy?
|0 1 3| Mo偶e przechowywa膰 do 7 obraz贸w, jest to si臋 Hopfilda, ma 3 neurony 鈥︹︹
|1 0 7| - jest symetryczna ma wyzerowan膮 przek膮tn膮
|3 7 0|
W celu skorygowania dowolnej wagi dowolnego neuronu warstwy ukrytej wielowarstwowej sieci neuronowej podczas stosowania metod propagacji wstecznej nale偶y zna膰
B艂臋dy neuron贸w warstwy nast臋pnej
Wagi neuron贸w warstwy nast臋pnej
Wagi neuron贸w warstwy poprzedniej
Wyj艣cia neuron贸w warstwy poprzedniej
Zaprojektuj klasyfikator poprawnie klasyfikuj膮cy poni偶sze punkty ze zbioru ucz膮cego. Dla jasnych kwadrat贸w na wyj艣ciu oczekiwana warto艣膰 1 a u偶yta funkcja ma by膰 funkcj膮 unipolarn膮.
y=x-1
x-y-1=0
[1,-1]
wagi 1, -1 oczekiwana 1
Funkcja aktywacji f(x) ={1 dla x<0 , 0 wpp
C
2 zad
Zostanie zaklasyfikowany do klasy UNACC bo przydzielenie w tym przypadku zale偶y od tego w jakiej klasie zosta艂o poprawnie zakwalifikowanych wi臋cej poprawnych element贸w.
5 zad
Do sporz膮dzenia wykresu pude艂kowego nale偶y oblicza膰:
Median臋
Zad 10 fuzzy 鈥揳rt.
Sie膰 ma 2 neurony, poniewa偶 s膮 dwa prostok膮ty, ka偶dy ma 4 wej艣cia
S