ML
- 35 שאלות
- -- תגובות
- 0% הושלמו
- equalizer סטטיסטיקות
- share שתף
מנהלים:
Discuss, Learn and be Happy דיון בשאלות
help
brightness_4
brightness_7
format_textdirection_r_to_l
format_textdirection_l_to_r
באלגוריתם RM גודל ה ensemble שנבנה שווה תמיד למספר האיטרציות שנקבע ע"י המשתמש
1
| done | ||
מיין לפי
באלגוריתם Bagging וגם באלגוריתם RM ניתנים לביצוע מקבילי ללא כל שינוי בקוד, כך שכל מסווג נבנה במעבד אחד/מחשב אחר
1
| done | ||
מיין לפי
הגדלת מספר הניורונים בשכבה הביניים של רשת ניורונים תלת-שכבתית לרוב תגדיל את הדיוק על קבוצת הלימוד
1
| done | ||
מיין לפי
הגדלת מספר הניורונים בשכבת הביניים של רשת ניורונים תלת-שכבתית לרוב תגדיל את מרכיב טעות ה-Variance
1
| mood | ||
מיין לפי
נתונה הפונקציה f(x1, x2) = (2x_1)^2 + (3x_1) + (5x_2)^2 +(6x_1^2)*x2 אזי אם קיימת נקודת אופטימום הרי ששיטת ניוטון תמצא בהכרח את הפתרון המדויק תוך אטרציה אחת ללא תלות בנקודה שממנה מתחילים בחיפוש
1
| done |
מיין לפי
קיום תנאי KKT עבור בעיה ריבועית, מייצגת את התנאי המספיק לפתרון אופטימלי גלובלי
1
| done | ||
מיין לפי
יש צורך לסווג תמונה X לשני CLASSES : A & B, שההסתברויות האפשריות שלהם בהתאמה הן :P(A)=0.4, P(B)=0.6, ההסתברות לקבל את ה-X הנ"ל בהינתן A היא 0,6 ואילו ההסתברות לקבל את X הנ"ל בהינתן B היא 0,5. אזי הCLASS שיש לבחור כדי להביא למינימום את התוחלת הטעות הוא B
1
| done | ||
מיין לפי
ברוב המקרים הדיוק של המסווג הראשון שנבנה ב-Ensemble של AdaBoost גדול מדיוק הסיווג של המסווג הראשון שנבנה ב-Ensemble של Bagging
1
| done | ||
מיין לפי