Crowdly

Додати до Chrome

LWLR מבצעת רגרסיה לינארית כשמשתמשים ב Weighted-MSE (WMSE) שבו כל דוגמת אימו...

✅ Перевірена відповідь на це питання доступна нижче. Наші рішення, перевірені спільнотою, допомагають краще зрозуміти матеріал.

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

משתמשים בפונקצית הדימיון הגאוסיאנית שלמדנו בכיתה כדי להפוך מרחק לדימיון. כזכור, לפונקצית הדימיון הזו יש היפר פארמטר טאו (

) השולט על רוחב הגאוסיאן

סמן את נכונות או אי הנכונות של ההגדים הבאים:

כדי להקטין את שגיאת הוואריאנס, נקטין את טאו

ככל שההפארמט טאו () קרוב יותר ל 0 , המודל הנלמד יהיה גמיש יותר

כאשר טאו שואף לאין סוף, תוצאות LWLR תהינה זהות לרגרסיה לינארית רגילה

ככל שההפארמט טאו (

) קרוב יותר ל 0 , נקודות האימון הרחוקות מה query יהיו פחות חשובות

ככל שמרחק נקודת האימון מנקודת ה query הינו גדול יותר, גם משקלה של הדוגמא ב WMSE יהיה גדול יותר

Отримайте необмежений доступ до відповідей на екзаменаційні питання - встановіть розширення Crowdly зараз!

Додати до Chrome