-
2023-04-22 00:35老師，請講解一下官網(wǎng)“Jain Vignette”這一題，謝謝。
所屬：CFA Level II > Quantitative Methods 視頻位置 相關試題
來源： 視頻位置 相關試題
2個回答
愛吃草莓的葡萄助教
2023-04-23 13:01
該回答已被題主采納
同學你好。模型預測輸出被證明是非線性的，它非常適合訓練集，并且不太可能很好地推廣到新數(shù)據(jù)，這被稱為過擬合，刻意的將兩類數(shù)據(jù)分為兩隊。
B不正確。一個投入不足的模型將顯示出更線性的輸出，預期結果和實際結果之間存在多個錯誤分類。
C不正確。具有“良好擬合”的模型將顯示出更線性的輸出，在沒有定義模式的預期結果和實際結果之間存在一些錯誤分類。
同學如果回答解決了您的疑惑，請給回答給予采納。祝早日持證！
-
追問
Alvis老師，謝謝您的解答。只是，能否用您自己的話，深入淺出的講解這一題，而非翻譯官網(wǎng)講解呢，我就是沒明白官網(wǎng)的解釋，才在這里提問的喲。因此，我有一下兩個追問，有勞逐一解答哈：
（1）請老師深入淺出地重新講解一下這題。（包括對應知識點和各選項）
（2）為什么非線性就更適合training data呢？對應本章的只是出處在哪里呢？
有勞了，謝謝。 -
追答
同學你好。面對該散點圖劃分，你想到使用什么方法劃分。首先肯定是直線對吧，利用直線，將兩種點劃分到兩邊，中間可能存在綠點中有少許紅點，紅中有少許綠點，這是正常的，只要我們能將大多數(shù)劃在一邊就很好，達到好的擬合目標。這一點可以借鑒回歸的思想，即散點在回歸線周圍緊密圍繞。
如果我不使用直線，例如像圖中使用折現(xiàn)，我可以將綠的完全劃在一邊，將紅的完全劃在一邊，這樣達到了劃分的目的，但是這種劃分能夠運用到樣本外的預測嗎，顯然不能，因為這種劃分太刻意了?？桃鈱山M數(shù)據(jù)完全分開，這種規(guī)則不一定適用于除此之外的數(shù)據(jù)，表明過擬合了。
如果我們使用隨便什么線，例如直線，換個方向，從西北到東南走向劃分數(shù)據(jù)，這就可能欠擬合了，因為綠點兩邊都有，而且數(shù)量差不多，相當于這種劃分沒有什么用，在樣本外預測也不會有什么好的結果。 -
追問
謝謝Alvis老師詳細、耐心的講解。對于這部分（直線線性切割分類）我大致理解，有待進一步消化。我現(xiàn)在理解是一條直線切割分類是最好的（如SVM）。如果刻意折線分類，容易造成過擬合；反之，如果任意線隨意劃分，則容易造成欠擬合。
根據(jù)目前的理解也連同理解了為什么監(jiān)督式學習中的支持向量（SVM）屬于linearity。只是，KNN的劃分非直線切割（如下截圖），我還是有點不懂為什么KNN屬于linearity，希望能弄明白消化這一部分哈，謝謝。 -
追答
同學你好。KNN被用來將一個新的觀察值根據(jù)相似性劃分到已分好的類別中，原有訓練集數(shù)據(jù)是已分好類的，如下圖。
-
追問
Alvis老師，您好。理解KNN屬于supervised ML，因為是貼標簽分類的。只是，我不明白為什么屬于linearity?
0
0
1
1
Vincent助教
2023-04-27 10:31該回答已被題主采納
你好
線性分類器就是看其能形成一條近似線性的決策邊界，比如SVM就是線性分類器，因為算法的目的就是找到一條清晰的線性邊界。
KNN也是，把所有樣本數(shù)據(jù)點分類后，能得到一條近似線性的分類邊界。從實證看，隨著K的增大，其線性分類邊界會越加光滑。
-
追問
謝謝Vincent老師。請問可以就”KNN是把所有樣本數(shù)據(jù)點分類后，能得到一條近似線性的分類邊界“畫一個圖例嗎？我還是沒理解。我理解的是這些貼標簽的分類點是被圈起來的，進圈的點數(shù)（data）是看k等于多少，至于linearity，我沒理解，有勞再講解一下，謝謝。
-
追答
你好
你看這個圖，隨著K增大，會更加趨向線性
0
0
1
1
