2.

Question 1

Klasifikavimas

Answer 1

Mašininio mokymo uždavinys, kurios tikslas priskirti įvestį vienai iš galimų klasių

Question 2

Dviejų klasių klasifikavimas

Answer 2

Objektų priskyrimas vienai iš dviejų galimų klasių

Question 3

Daugelio klasių klasifikavimas

Answer 3

Leidžia priskirti duomenų objektą vienai iš daugiau nei dviejų klasių

Question 4

Klasifikavimo metrikos

Answer 4

Naudojamos įvertinti klasifikavimo modelio prognozių tikslumą ir kokybė

Question 5

Tikslumas (accuracy)

Answer 5

Nurodo, kokia dalis modelio prognozių buvo teisingos

Question 6

Preciziškumas (presucion)

Answer 6

Nurodo, kokia dalis modelio prognozuotų teigiamų atvejų yra tikrai teisingi

Question 7

Atkūrimo statistika (recall)

Answer 7

Nurodo, kokią dalį visų tikrųjų teigiamų atvejų modelis sugebėjo atpažinti

Question 8

F1 statistika

Answer 8

Harmoninis tikslumo ir atkūrimo vidurkis

Question 9

Klasifikavimo lentelė

Answer 9

Matrica, kurioje pavaizduota, kiek prognozių buvo teisingos ir klaidingos

Question 10

Naivusis Bajeso klasifikatorius

Answer 10

Remiasi tikimybių teorija ir daro prielaidą, kad požymiai tarpusavyje nepriklausomi

Question 11

Sprendimų medis

Answer 11

Modelis, kuris priima sprendimus sekdamas sąlyginėmis šakomis pagal duomenų savybes

Question 12

Kaip veikia sprendimų medis?

Answer 12

Modelio mokymo metu išrenkamas vienas duomenų kintamasis pagal kurį duomenys padalijami į dvi grupes, kartojama kiekvienoje grupėje kol pasiekiamas stabdymo kriterijus

Question 13

Kokie būna stabdymo kriterijai

Answer 13

Pogrupyje lieka per mažai duomenų, skirstymo kokybė nebepagerėja, pasiekia numatyta maksimalų gylį

Question 14

Atsitiktinis miškas

Answer 14

Algoritmas, naudoja daugybę sprendimų medžių, kiekvieną su atsitiktinai parinktais duomenimis, galutinis rezultatas nustatomas pagal medžių balsavimą

Question 15

K artimiausių kaimynų algoritmas

Answer 15

Klasifikavimo metodas, priskiriai objektą tai klasei, kuriai priklauso dauguma artimiausių (k) kaimynų

Question 16

Atraminių vektoriu metodas SVM

Answer 16

Ieško geriausios ribos (hiperplokštumos), skiriančias skirtingas klases erdvėje.

Question 17

Kaip parenkama SVM riba?

Answer 17

Parenkama taip, kad atstumas iki artimiausių duomenų taškų abiejose pusėse būtų kuo didesnis, šie taškai vadinami atraminiais vektoriais