假设两类模式服从如下的正态分布:
两类样本的均值矢量分别为m1=(4,2)T和m2=(-4,-2)T,协方差矩阵分别为:,两类的先验概率相等,试求一维特征提取矩阵。
总的类内散布阵可以算得:
已知二维样本:
现有样本集:,试用K-means{C-均值}算法进行聚类分析(类数C=2),初始聚类中心为(0,0)T、(0,1)T。
求使最大化的一维特征空间的变换矢量。
有两类样本集:
最新试题
ID3方法的目的是降低系统信息熵。
分级聚类又叫层次聚类,需要构建聚类树。
特征提取不仅可以降低特征空间的维度,还可以消除特征之间的相关性。
理想的判据应该对特征具有单调性,加入新的特征不会使判据减小。
测试集的样本数量越多,对分类器错误率的估计就越准确。
C均值聚类算法对噪声和孤立点不敏感。
过拟合不会影响分类模型的泛化能力。
下面关于交叉验证法的说法中正确的是()。
在感知器算法中训练样本需要经过增广化处理和规范化处理。
当各类的协方差矩阵不等时,决策面是超二次曲面。