Accueil>Tests>Questions>L'analyse en composantes principales vise à réduire le nombre de dimensions (ou de caractéristiques) dans un ensemble de données donné. L'objectif est de réduire ce nombre à une taille gérable, mais aussi de préserver l'intégrité de la structure du jeu de données, les tendances, les catégories (et ainsi de suite) sont conservées.
Question du test Machine learning - Les bases
L'analyse en composantes principales vise à réduire le nombre de dimensions (ou de caractéristiques) dans un ensemble de données donné. L'objectif est de réduire ce nombre à une taille gérable, mais aussi de préserver l'intégrité de la structure du jeu de données, les tendances, les catégories (et ainsi de suite) sont conservées.
Facile
La méthode “______” consiste en la réduction du nombre de dimensions d’un jeu de données. Le but est de réduire leur nombre à un niveau “gérable” ou “interprétable” tout en préservant l’intégrité du jeu de données : tendances, structures, catégories… Quel est le mot manquant?
Auteur: MartinStatut : PubliéeQuestion passée 86 fois
Modifier
0
Évaluations de la communautéPersonne n'a encore évalué cette question, soyez le premier !
9
Comment gérer les données manquantes dans un jeu de données d'apprentissage donné ?4
Afin d'obtenir de bons résultats lors de la mise en œuvre de l'apprentissage profond, il faut préparer ses données avant de les utiliser. Quelle action doit être effectuée lors de cette préparation?9
Le jeu de validation est utilisé pour fournir des évaluations fréquentes et non biaisées de l'ajustement du modèle sur le jeu d'entraînement tout en ajustant ses hyperparamètres/paramètres: en d'autres termes, le modèle est trouvé et ensuite testé sur le jeu de validation avant d'être amélioré une fois de plus.5
Qu'est-ce que l'apprentissage par ensemble ? Il consiste à …16
Comment gérer les données manquantes dans un jeu de données d'apprentissage donné ?5
Quelles sont les différences/similarités entre une fonction de perte, une fonction d'erreur et une fonction de coût?6
Quel est le mot manquant dans la phrase suivante : Overfitting est la production d'un modèle qui correspond trop étroitement à l'ensemble de données d'apprentissage et peut donc ne pas s'adapter à d'autres ensembles de données et donc ne pas effectuer de prévision fiable.