Machine Learning: KNN e LDA

<p>Le matrici di varianza-covarianza dei gruppi devono essere uguali tra loro. (A)</p> Signup and view all the answers

<p>Trovare una rappresentazione dei dati che massimizzi l'informazione discriminante per la classe. (D)</p> Signup and view all the answers

<p>𝑃(𝜔𝑗 |𝑥𝑖 ) ∝ 𝑃(𝑥1𝑖 |𝜔𝑗 ) ∗ 𝑃(𝑥2𝑖 |𝜔𝑗 ) ∗ 𝑃(𝑥3𝑖 |𝜔𝑗 )𝜋𝑗 (A)</p> Signup and view all the answers

<p>L'osservazione con valori mancanti viene esclusa dal calcolo delle frequenze. (C)</p> Signup and view all the answers

<p>La densità di probabilità della variabile indipendente x nella classe k. (A)</p> Signup and view all the answers

<p>Analisi discriminante lineare (LDA) (D)</p> Signup and view all the answers

<p>Correzione di Laplace/smoothing (D)</p> Signup and view all the answers

<p>Stima della probabilità condizionata impossibile. (C)</p> Signup and view all the answers

<p>La probabilità a priori di appartenere a una classe è la stessa per entrambe le classi. (C)</p> Signup and view all the answers

<p>Non viene gestito, si procede direttamente alla classificazione. (B)</p> Signup and view all the answers

<p>Il Naive Bayes è un algoritmo di classificazione supervisionato. (D)</p> Signup and view all the answers

<p>La probabilità condizionata dell'attributo con il valore mancante. (B)</p> Signup and view all the answers

<p>Assume l'indipendenza condizionale tra gli attributi. (C)</p> Signup and view all the answers

<p>È un approccio verification-driven, che si basa sulla formulazione di ipotesi da verificare con un modello. (B)</p> Signup and view all the answers

<p>È un processo che utilizza metodi computazionali per apprendere dai dati senza modelli predefiniti. (A)</p> Signup and view all the answers

<p>L'apprendimento non supervisionato si basa solo sui dati di input per raggruppare e interpretare i dati, mentre l'apprendimento supervisionato utilizza anche dati di output per sviluppare modelli predittivi. (A)</p> Signup and view all the answers

<p>KDD è un processo iterativo che identifica pattern validi, nuovi, utili e comprensibili nei dati. (A)</p> Signup and view all the answers

<p>Tutti i precedenti. (D)</p> Signup and view all the answers

<p>La capacità di apprendere in modo adattivo e migliorare le prestazioni con l'aumento dei dati. (B)</p> Signup and view all the answers

<p>Tutti i precedenti. (C)</p> Signup and view all the answers

<p>Un processo che si basa su modelli predefiniti per la previsione di eventi futuri. (A)</p> Signup and view all the answers

<p>È un modello facilmente comprensibile anche per persone non esperte di statistica (D)</p> Signup and view all the answers

<p>Il nodo padre o radice (A)</p> Signup and view all the answers

<p>In base ai livelli di una specifica variabile (C)</p> Signup and view all the answers

<p>Rendere le foglie il più possibile omogenee (A)</p> Signup and view all the answers

<p>In base alla moda del target nei dati del nodo (A)</p> Signup and view all the answers

<p>Non parametrico (C)</p> Signup and view all the answers

<p>Sì (B)</p> Signup and view all the answers

<p>La profondità dell'albero decisionale influenza la complessità del modello (A)</p> Signup and view all the answers

<p>Ha un costo computazionale basso e rende il processo di apprendimento più veloce. (A)</p> Signup and view all the answers

<p>Richiede poco spazio di memoria durante il training. (C)</p> Signup and view all the answers

<p>Previene l'overfitting. (A)</p> Signup and view all the answers

<p>È lento durante la fase di classificazione. (A)</p> Signup and view all the answers

<p>È più accurato rispetto al lazy learning. (D)</p> Signup and view all the answers

<p>I punteggi discriminanti possono essere negativi o positivi, mentre le previsioni come probabilità devono essere comprese tra 0 e 1. (B)</p> Signup and view all the answers

<p>È l'errore minimo che può commettere un classificatore ideale. (D)</p> Signup and view all the answers

<p>Tutte le precedenti. (A)</p> Signup and view all the answers

<p>La probabilità condizionata di osservare x data la classe j. (D)</p> Signup and view all the answers

<p>Criterio di massima probabilità a posteriori (MAP). (C)</p> Signup and view all the answers

<p>1 - max P(Y = j|X = x0) (B)</p> Signup and view all the answers

<p>Per stimare la massima verosimiglianza. (B)</p> Signup and view all the answers

<p>La verosimiglianza delle due classi deve essere diversa. (C)</p> Signup and view all the answers

<p>È sempre possibile ottenere un classificatore bayesiano ideale nella pratica. (C)</p> Signup and view all the answers

Signup and view all the answers

Interpreta dati con variabile target e variabili esplicative con coefficienti.

Disciplina che ottimizza l'analisi esplorativa dei dati.

Usa metodi computazionali per apprendere dai dati senza modelli predeterminati.

Clustering: raggruppa e interpreta dati solo da input.

Classificazione e regressione: sviluppa modelli predittivi con dati di input e output.

Processo di identificazione di pattern nei dati validi e utili.

Possibilità di migliorare l'estrazione e rifinire risultati.

Archivio centrale di dati da cui estrarre informazioni potenzialmente utili.

Processo che riduce il tempo necessario per l'apprendimento e aumenta quello per la classificazione.

Approccio che utilizza i dati esistenti per ridurre il numero di dati da elaborare.

Situazione in cui un modello diventa troppo complesso, mappando perfettamente i dati di training.

Risorse richieste per elaborare un dataset, elevato in grandi dataset.

Funzione che trasforma punteggi discriminanti in probabilità, che sommano a uno.

Risultati che esprimono la probabilità di appartenenza a ciascuna classe.

Modelli che generano punteggi per ciascuna classe nei dati originali.

Dati che diventano rapidamente irrilevanti e devono essere aggiornati.

L'errore minimo che può commettere un classificatore ideale.

Formula per calcolare la probabilità condizionata.

Probabilità di appartenere a una classe senza informazioni aggiuntive.

Probabilità di appartenere a una classe dato un'informazione.

Assegna l'individuo alla classe con la massima probabilità a posteriori.

Probabilità di distribuzione dell'input nella popolazione.

Confronta la verosimiglianza di due classi per decisioni di classificazione.

Percentuale di errori nella classificazione delle classi.

Il KNN è non parametrico e utile per confini decisionali non lineari.

Richiede grandi numeri di osservazioni e può incorrere in overfitting.

Trova una rappresentazione massimizzando l'informazione discriminante tra classi.

Indipendenza, omoschedasticità e normalità multivariata sono necessarie per LDA.

Le matrici di varianza-covarianza dei gruppi sono uguali.

Assume che le variabili indipendenti seguano una distribuzione normale.

KNN tende a ridurre il bias ma ha alta varianza e rischio di overfitting.

Stima la densità per classificare osservazioni nella classe con maggiore probabilità.

Un algoritmo di classificazione basato sulla probabilità condizionata.

Strumento per valutare le prestazioni di un modello di classificazione.

Tecnica per gestire il problema della frequenza zero nelle statistiche.

Osservazioni non registrate in un dataset.

Probabilità condizionata di un input xk dato una classe ωj.

Fase in cui si applica il modello addestrato a nuovi esempi.

Singola riga di dati utilizzata nel processo di training.

Probabilità che un'osservazione appartenga a una classe dopo aver visto i dati.

Tecnica di ML non parametrica per problemi di classificazione e previsione.

Rappresentano i risultati di una divisione del nodo padre nell'albero decisionale.

Nodi finali di un albero decisionale che assegnano il target previsto.

Condizione che massimizza le differenze tra le foglie finali di un albero decisionale.

Condizione che rende i nodi finali simili al loro interno nel modello decisionale.

Valore previsto che indica la possibilità di un soggetto di iscriversi ad un giornale.

Fattore analizzato per capire se un soggetto si iscriverà a un giornale.

Il valore che si prevede di più in un nodo finale per il target in analisi.