Выберите верные для алгоритмов обучения «с учителем» утверждения.
В интеллектуальных системах машинным обучением называется процесс создания и оптимизации классификационного правила, которое разделяет предъявленные объекты на классы.
В алгоритмах обучения «с учителем» такой классификатор представляет: ...
границы между классами, заданные в виде функций
набор логических функций
дерево решений
множество продукционных правил
Обучающая выборка разбита на классы с помощью одного из алгоритмов обучения «без учителя». Какие объекты называются объектами -прототипами классов?
Объект - прототип класса - это наиболее характерная точка класса (возможно, его геометрический центр).
Объект - прототип класса это точка, принадлежащая классу и максимально близкая к границе, разделяющей классы.
Объект - прототип класса это точка, наиболее удалённая от всех объектов, принадлежащих другим классам.
Дерево решений построено алгоритмом ID3 на основе конкретной обучающей выборки.
Выберите неверное утверждение.
Результат работы алгоритма считается успешным, если:
дерево решений правильно классифицирует новые примеры, аналогичные примерам обучающей выборки, но ранее не входящие в обучающую выборку.
дерево решений правильно классифицирует все примеры обучающей выборки.
дерево решений может быть преобразовано в набор продукционных правил.
дерево решений правильно классифицирует примеры из любых наборов данных, в которых объекты отличаются от объектов обучающей выборки и имеют другие атрибуты.
Дерево решений построено алгоритмом ID3. Дерево решений используется:
для классификации примеров обучающей выборки.
для модификации дерева решений и получения нового, улучшенного варианта дерева решений.
для классификации новых примеров, ранее не входящих в обучающую выборку.
В интеллектуальных системах Data Mining (добыча данных) и Knowledge Discovery in Databases (обнаружение знаний в базах данных) обучающая выборка — это некоторый фрагмент таблицы, хранящейся в распределённой БД. Известно, что такие таблицы могут содержать очень много атрибутов различного типа. Как определяется решающий атрибут для формирования обобщенных понятий?
Решающий атрибут определяется на основе эвристических критериев.
Решающий атрибут указывает эксперт.
Решающий атрибут находится на основе оценки информативности.
Наиболее простой способ оценить, насколько хорошо построенная решающая функция (такая, как система решающих правил, или дерево решений) работает это проверить её на тестовом множестве (экзамен).
Какое из утверждений верно?
В качестве экзаменационного множества при этом используется: ...
Обучающая выборка, из которой удалены те примеры, для которых классификация была ошибочна.
Множество примеров, ни один из которых не входил в исходную обучающую выборку.
Обучающая выборка полностью.
Часть обучающей выборки (например, половина).
Обучающая выборка, к которой добавлены несколько новых примеров.
Существует метод построения решающей функции как получение уравнения границ, разделяющих классы.
Для случая двух классов возможно построить линейную решающую функцию, используя алгоритм построения такой функции. Если точки двух классов расположены так, что их нельзя разделить одной линейной гиперплоскостью, возможны действия: ...
Какие стратегии правильные?
Для разделения классов возможно использовать алгоритм построения нелинейной решающей функции (метод потенциалов).
Возможно применить совместно оба алгоритма одновременно.
Возможно несколько раз применить алгоритм построения линейной решающей функции и построить кусочно-линейную функцию, разделяющую объекты двух классов и состоящую из нескольких линейных отрезков.
Объекты обучающей выборки заданы наборами числовых параметров и могут принадлежать нескольким классам. Существует метод построения решающей функции как получение уравнения границ, разделяющих классы.
Для случая двух классов задача сводится к построению только одной решающей функции.
Существует алгоритм построения линейной решающей функции для случая двух классов.
Какие из этих утверждений верны?
Такой алгоритм построения линейной решающей функции:
Какие свойства объектов, хранящихся в реальных базах данных, затрудняет их использование для машинного обучения в системах
Data mining и в экспертных системах:
1) Базы данных создаются из расчета требований конкретных приложений, а не специально для машинного обучения.
2) Информация, содержащаяся в базах данных, как правило, неполна. Свойства объектов, необходимые для корректной классификации, не обязательно представлены в базе данных.
3) Отдельные значения могут содержать ошибки или вовсе отсутствовать.
4) Базы данных очень велики.
5) Базы данных изменяются со временем.
Варианты ответов
Все, кроме 1)
Все пять свойств
Все, кроме 2)
Все, кроме 5)
Все, кроме 3)
Все, кроме 4)
В системах машинного обучения под обобщением понимается переход от рассмотрения множества объектов к рассмотрению обобщенного понятия, описывающего класс таких объектов.
Таким образом, решив задачу машинного обучения мы получим:
Обучающую выборку.
Количество объектов в каждом классе.
Критерии отнесения объектов классам.
Центры классов.
Количество классов, к которым относятся объекты.
Обучение на основе примеров является типичным случаем индуктивного обучения и широко используется в системах искусственного интеллекта. На основе предъявленных примеров (и, возможно, контрпримеров) интеллектуальная система должна сформировать общее понятие, охватывающее примеры и исключающее контрпримеры.
Как представляются примеры объекты в системах машинного обучения?
упорядоченным набором линейных функций
логическими выражениями
упорядоченным набором признаков
в виде ориентированного графа
Изучение и компьютерное моделирование процесса обучения является предметом исследования в области искусственного интеллекта, называемой машинным обучением (Machine Learning). Как правило, система машинного обучения пользуется не единичными наблюдениями, а целыми (конечными) множествами наблюдений сразу. Такое множество называется:
мягким множеством
тестовым множеством
обучающим множеством или обучающей выборкой
приближённым множеством
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
meimei1337
