Какая из предложенных стратегий верна? После того, как решающее правило на обучающей выборке построено, проводится экзамен – с помощью решающего правила надо разделить объекты новой, экзаменационной выборки на примеры и контрпримеры. Если решающее правило правильно проводит такое разделение, обучение заканчивается. Если результат экзамена неудовлетворителен:

1. Необходимо провести экзамен повторно на новой тестовой выборке, отличной от первоначальоe
2. Необходимо удалить из тестовой выборки те примеры, на которых классификатор дал неверные ответы, и повторить процедуру экзамена.
3. Необходимо провести обучение заново. В качестве обучающего множества будем использовать экзаменационную (тестовую) выборку. Затем повторяем процедуру экзамена.
4. Необходимо провести обучение заново. При этом к исходной обучающей выборке добавляем те примеры из тестового множества, на которых классификатор дал неверные ответы. Затем повторяем процедуру экзамена.

Другие предметы Университет Методы машинного обучения интеллектуальные информационные системы стратегии обучения решающее правило экзаменационная выборка тестовая выборка классификатор обучение заново примеры и контрпримеры процедуры экзамена неверные ответы Новый

В данной ситуации мы рассматриваем процесс обучения и тестирования классификатора, который основан на решающих правилах. Давайте разберем предложенные стратегии и выясним, какая из них является правильной.

1. Необходимо провести экзамен повторно на новой тестовой выборке, отличной от первоначальной.

   Эта стратегия не является оптимальной, так как она не учитывает ошибки, допущенные классификатором. Использование новой тестовой выборки не решит проблему, если модель не обучена должным образом.

2. Необходимо удалить из тестовой выборки те примеры, на которых классификатор дал неверные ответы, и повторить процедуру экзамена.

   Эта стратегия также не является правильной. Удаление неверных примеров из тестовой выборки может привести к искажению результатов тестирования и не даст представления о реальной эффективности модели.

3. Необходимо провести обучение заново. В качестве обучающего множества будем использовать экзаменационную (тестовую) выборку. Затем повторяем процедуру экзамена.

   Эта стратегия нецелесообразна, так как использование тестовой выборки для обучения приводит к переобучению, и модель не сможет обобщать на новые данные.

4. Необходимо провести обучение заново. При этом к исходной обучающей выборке добавляем те примеры из тестового множества, на которых классификатор дал неверные ответы. Затем повторяем процедуру экзамена.

   Эта стратегия является наиболее правильной. Если классификатор показал плохие результаты на определенных примерах, это указывает на необходимость улучшения модели. Добавление неверно классифицированных примеров в обучающую выборку позволяет улучшить модель, так как она сможет учесть ошибки и лучше обобщать на новые данные.

Таким образом, правильной стратегией является последняя: необходимо провести обучение заново, добавив неверно классифицированные примеры к исходной обучающей выборке, и затем повторить процедуру тестирования. Это обеспечит более качественное обучение и повысит точность классификатора.