Ma’lumotlarning intellektual tahlili fanidan yakuniy nazoratda tushadigan savollar mazmunini akslantirgan savollar banki

Yordam vektor mashinalari (SVMs) tasniflash , regressiya va chegaralarni aniqlash uchun foydalaniladigan nazorat qilinadigan o'rganish usullari to'plamidir .
Yordam vektor mashinalarining afzalliklari quyidagilardan iborat:

• 
  Yuqori o'lchamli bo'shliqlarda samarali.
  
• 
  Hali ham o'lchamlar soni namunalar sonidan ko'p bo'lgan hollarda samarali.
  
• 
  Qaror qabul qilish funktsiyasida (qo'llab-quvvatlash vektorlari deb ataladigan) o'quv nuqtalarining kichik to'plamidan foydalanadi, shuning uchun u xotiradan ham samaralidir.
  
• 
  Ko'p qirrali: qaror funktsiyasi uchun turli yadro funktsiyalari belgilanishi mumkin. Umumiy yadrolar taqdim etiladi, lekin maxsus yadrolarni ham belgilash mumkin.
  

Yordam vektor mashinalarining kamchiliklari quyidagilarni o'z ichiga oladi:

• 
  Agar funksiyalar soni namunalar sonidan ko'p bo'lsa, yadro funksiyalarini tanlashda haddan tashqari moslashishdan saqlaning va tartibga solish muddati juda muhimdir.
  
• 
  SVMlar to'g'ridan-to'g'ri ehtimollik taxminlarini taqdim etmaydi, ular qimmat besh marta o'zaro tekshirish yordamida hisoblanadi (quyida Ballar va ehtimollar ga qarang).
  

Scikit-learn-dagi qo'llab-quvvatlovchi vektorli mashinalar kirish sifatida zich ( numpy.ndarrayva unga aylantiriladigan numpy.asarray) va siyrak (har qanday scipy.sparse) namuna vektorlarini qo'llab-quvvatlaydi. Biroq, siyrak ma'lumotlar uchun bashorat qilish uchun SVM dan foydalanish uchun u bunday ma'lumotlarga mos kelishi kerak. Optimal ishlash uchun C-tartibli numpy.ndarray(zich) yoki scipy.sparse.csr_matrix(siyrak) bilan foydalaning.
SVCva ma'lumotlar to'plamida ikkilik NuSVCva LinearSVCko'p sinfli tasnifni amalga oshirishga qodir sinflardir.

72	K-NN (K Nearest Neighbors) algoritmining asosiy afzalliklarini misllar orqali tushuntirib bering.
	KNN yoki k-NN deb ham ataladigan k-eng yaqin qo'shnilar algoritmi parametrik bo'lmagan, nazorat qilinadigan o'rganish tasniflagichi bo'lib, u alohida ma'lumotlar nuqtasini guruhlash bo'yicha tasniflash yoki bashorat qilish uchun yaqinlikdan foydalanadi. U regressiya yoki tasniflash muammolari uchun ishlatilishi mumkin bo'lsa-da, u odatda tasniflash algoritmi sifatida ishlatiladi va shunga o'xshash nuqtalar bir-biriga yaqin bo'lishi mumkin degan taxminga asoslanadi. Tasniflash muammolari uchun sinf yorlig'i ko'pchilik ovozi asosida tayinlanadi, ya'ni ma'lum bir ma'lumot nuqtasi atrofida eng ko'p ifodalanadigan yorliq ishlatiladi. Bu texnik jihatdan "ko'p ovoz berish" deb hisoblansa-da, adabiyotda "ko'pchilik ovoz" atamasi ko'proq qo'llaniladi. Ushbu terminologiyalar orasidagi farq shundaki, "ko'pchilik ovoz berish" texnik jihatdan 50% dan ortiq ko'pchilikni talab qiladi, bu asosan faqat ikkita toifa mavjud bo'lganda ishlaydi. Agar siz bir nechta sinflarga ega bo'lsangiz, masalan, to'rtta toifaga ega bo'lsangiz, sinf haqida xulosa chiqarish uchun sizga 50% ovoz kerak emas; 25% dan ortiq ovoz bilan sinf yorlig'ini belgilashingiz mumkin. Viskonsin-Madison universiteti buni misol bilan yaxshi umumlashtiradi
73	Ma’lumotlarning intellektual tahlilida sun’iy neyron tarmoqlarining o’rni qanday?