mlcourse.ai. Домашнее задание №7. Демо-версия

Preview mode

Published

Copy responder link

Request edit access

JavaScript isn't enabled in your browser, so this file can't be opened. Enable and reload.

mlcourse.ai. Домашнее задание №7. Демо-версия

Обучение без учителя: метод главных компонент и кластеризация

Внимание! Версия курса на русском далее не поддерживается, баги исправляются только в англоязычной версии, лучше обращаться к ней https://mlcourse.ai/book/index.html, https://github.com/Yorko/mlcourse.ai/tree/main/mlcourse_ai_jupyter_book

1. Какое минимальное число главных компонент нужно выделить, чтобы объяснить 90% дисперсии исходных (отмасштабированных) данных? *

1 point

193

2. Сколько процентов дисперсии приходится на первую главную компоненту? Округлите до целых процентов. *

1 point

3. Если все получилось правильно, Вы увидите сколько-то кластеров, почти идеально отделенных друг от друга. Какие виды активности входят в эти кластеры? *

1 point

1 кластер: все 6 активностей

2 кластера: (ходьба, подъем вверх по лестнице, спуск по лестнице) и (сидение, стояние, лежание)

3 кластера: (ходьба), (подъем вверх по лестнице, спуск по лестнице) и (сидение, стояние, лежание)

6 кластеров

4. Какой вид активности отделился от остальных лучше всего в терминах простой метрики, описанной в задании? *

1 point

ходьба

стояние

спуск по лестнице

перечисленные варианты не подходят

5. Какое количество кластеров оптимально выбрать, согласно методу локтя? *

1 point

6. Отметьте все верные утверждения. *

2 points

Согласно ARI, KMeans справился с кластеризацией хуже, чем Agglomerative CLustering

Для ARI не имеет значения какие именно метки присвоены кластерам, имеет значение только разбиение объектов на кластеры

В случае случайного разбиения на кластеры ARI будет близок к нулю

Required

7. Какое значение гиперпараметра C было выбрано лучшим по итогам кросс-валидации *

1 point

0.001

0.01

0.1

8. Какой вид активности SVM определяет хуже всего в терминах точности? Полноты? *

1 point

по точности – подъем вверх по лестнице, по полноте – лежание

по точности – лежание, по полноте – сидение

по точности – ходьба, по полноте – ходьба

по точности – сидение, по полноте – стояние

9. Какова разность между лучшим качеством (долей верных ответов) на кросс-валидации в случае всех 561 исходных признаков и во втором случае, когда применялся метод главных компонент? Округлите до целых процентов. *

1 point

Качество одинаковое

10%

20%

10. Выберите все верные утверждения *

2 points

Метод главных компонент в данном случае позволил уменьшить время обучения модели, при этом качество (доля верных ответов на кросс-валидации) очень пострадало, более чем на 10%

PCA можно использовать для визуализации данных, однако для этой задачи есть и лучше подходящие методы, например, tSNE. Зато PCA имеет меньшую вычислительную сложность

PCA строит линейные комбинации исходных признаков, и в некоторых задачах они могут плохо интерпретироваться человеком

Required

Есть ли какие-то замечания по заданию? Если уверены в ошибке, можно открыть Issue в GitHub-репозитории курса (https://github.com/Yorko/mlcourse.ai/issues). Также не возбраняется сделать Pull Request с исправлением простых опечаток.

На Patreon https://www.patreon.com/ods_mlcourse можно найти дополнительные задания, также курс можно одноразово поддержать на ko-fi.com/mlcourse_ai

0 points

Конечно!

Не в этот раз

Clear selection

Submit

Clear form

Never submit passwords through Google Forms.

This content is neither created nor endorsed by Google. - Terms of Service - Privacy Policy

Does this form look suspicious? Report

Forms