LWLR מבצעת רגרסיה לינארית כשמשתמשים ב  Weighted-MSE    (WMSE)  שבו כל דוגמת אימון ממושקלת על פי דימיונה ל נקודת ה query.

בונים קלסיפייר בינארי ביאזיאני  נאיבי  h שמטרתו לאבחן מחלה  (2 קטגוריות : חולה / בריא)

. האיבחון מתבסס על 2 בדיקות (מאפינים בינאריי ם) ולכל בדיקה כזו ידועה הספציפיות והרגישות של הבדיקה

לא ידוע דבר על ההתפלגות של הקטגוריות (ז.א. לא ידועות הסתברויות הפריור של הקטגוריות) .

אדם נבדק ב 2 הבדיקות ואז מחושבות ההסתברויות של האדם להיות חולה או בריא.

האם ניתן להשתמש ב MAP או ב ML  כדי לחזות אם האדם חולה או בריא?

כיצד משפיעה בחירת K עבור אלגוריתם KNN? רשמו נכון או לא נכון על ההיגדים הבאים:

1.    

בונים קלסיפייר בינארי מבוסס מודל ביאסיאני נאיבי (NBC) לקבוצת אימון המונה 2000 דוגמאות בעלת מרחב קלט דו מימדי  (x₁,x₂)

בקבוצת האימון יש 1000 דוגמאות המתויגות כ + (פלוס) , ו 1000 המתויגות כ – (מינוס) .

למאפיין x₁ יתכנו 10 ערכים המקודדים ע"י מספרים טבעיים 1...10.

בקטגוריה +, ישנה דוגמה אחת בה x₁=2 בשאר הדוגמאות בקטגוריה זו x₁=1

חשב את שיערוך  p(x₁=3 |+)  בעזרת  תיקון לפלאס   Laplace Smoothing

בונים קלסיפייר בינארי מבוסס מודל ביאסיאני נאיבי (NBC) לקבוצת אימון המונה 2000 דוגמאות בעלת מרחב קלט דו מימדי  (x₁,x₂)

בקבוצת האימון יש 1000 דוגמאות המתויגות כ + (פלוס) , ו 1000 המתויגות כ – (מינוס) .

למאפיין x₁ יתכנו 10 ערכים המקודדים ע"י מספרים טבעיים 1...10.

בקטגוריה +, ישנה דוגמה אחת בה x₁=2 בשאר הדוגמאות בקטגוריה זו x₁=1

חשב את שיערוך  p(x₁=1 |+)  (ללא תיקון לפלאס )

פונקציות מרחק – dissimilarity וקרנלים: 

 נתונים הנקודות (1,1),(2,2), חשב את מרחק מנהטן בין  הנקודות לעיל:

נתונות 3 נקודות אימון דו מימדיות       {(1,2),(1,4), (2,3) }

 שהליבלים שלם הם A.B.C בהתאמה : לנקודה  (2,3) הלייבל הוא A, ל (1,4) הלייבל הוא B, לנקודה (1,2) הלייבל הוא C

כדי לבצע הסקה, משתמשים ב 1NN ו פונקצית מרחק אאוקלידית,

ז.א. שיערוך ההסתברות לחיזוי C בנקודה (1.5,3)

בונים קלסיפייר בינארי מבוסס NBC כדי לאבחן מחלה.

X1 הוא המאפיין הבינארי של הבדיקה הראשונה, אשר לה רגישות 0.9 וספציפיות 0.8

 X2 הוא המאפיין הבינארי של הבדיקה השניה, אשר לה רגישות 0.7 וספציפיות 0.9 

לא ידוע דבר על ההתפלגות של המחלה (ז.א. לא ידועות הסתברויות הפריור של הקטגוריות)  ולכן משתמשים ב ML ולא ב MAP.

כיצד יסווג אדם שהיה חיובי בבדיקה x₁ ושלילי בבדיקה x₂

כדי לחשב דימיון בין 2 הנקודות    (1,1); (2,2)

חשב את הדימיון בין 2 הנקודות וסמן את התשובה הנכונה.