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:

• 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.
• Необходимо удалить из тестовой выборки те примеры, на которых классификатор дал неверные ответы, и повторить процедуру экзамена.
• Необходимо провести экзамен повторно на новой тестовой выборке, отличной от первоначальной.
• Необходимо провести обучение заново. В качестве обучающего множества будем использовать экзаменационную (тестовую) выборку. Затем повторяем процедуру экзамена.

Другие предметы Университет Методы обучения с учителем интеллектуальные информационные системы стратегии обучения решающее правило экзаменационная выборка классификатор примеры и контрпримеры обучение заново тестовая выборка алгоритмы классификации оценка классификатора Новый

Давайте разберем предложенные стратегии и выясним, какая из них является верной в контексте обучения классификатора и его оценки на экзаменационной выборке.

Когда мы обучаем классификатор, мы используем обучающую выборку для создания решающего правила. После этого мы проверяем, насколько хорошо это правило работает на новой, экзаменационной выборке. Если классификатор правильно классифицирует объекты из экзаменационной выборки, обучение можно считать завершенным. Однако если результаты неудовлетворительны, необходимо предпринять дополнительные шаги.

Теперь рассмотрим каждую из предложенных стратегий:

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

   Эта стратегия является правильной. Добавление неправильно классифицированных примеров в обучающую выборку позволяет улучшить модель, так как она будет обучаться на тех данных, на которых она ранее ошибалась.

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

   Эта стратегия неверна. Удаление примеров из тестовой выборки может привести к искажению оценки качества классификатора. Тестовая выборка должна оставаться неизменной, чтобы корректно оценивать производительность модели.

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

   Эта стратегия не является оптимальной. Хотя использование новой тестовой выборки может быть полезным, важно сначала улучшить модель на основе текущей выборки, прежде чем проводить дополнительные тесты.

4. Необходимо провести обучение заново. В качестве обучающего множества будем использовать экзаменационную (тестовую) выборку.

   Эта стратегия также неверна. Использование экзаменационной выборки для обучения может привести к переобучению и не даст адекватной оценки производительности модели на новых данных.

Таким образом, верной стратегией является первая: необходимо провести обучение заново, добавив неправильно классифицированные примеры из тестовой выборки в обучающую выборку. Это поможет улучшить качество классификатора и повысить его способность правильно классифицировать данные в будущем.