QCM : Méthodes bayésiennes de classification (10 questions)

Questions et réponses du QCM

1. Pour une mesure xx, un classificateur obtient R(w1∣x)=2,4R(w_1|x)=2{,}4 et R(w2∣x)=1,7R(w_2|x)=1{,}7. Quelle décision minimise le risque conditionnel ?

La classe portant l’indice le plus petit
La classe ayant la probabilité a posteriori la plus élevée
w1w_1
w2w_2

$$w_2$$

Explication

La décision à risque minimal retient la classe dont le risque conditionnel est le plus faible; comme 1,7<2,41{,}7<2{,}4, elle choisit w2w_2. Choisir le risque le plus élevé inverse la règle, et la probabilité a posteriori seule relève du critère d’erreur minimale.

2. Pour une classe de poissons w1w_1 et une mesure xx, on connaît p(x∣w1)=0,3p(x|w_1)=0{,}3 et P(w1)=0,4P(w_1)=0{,}4. Quelle est la probabilité jointe p(x,w1)p(x,w_1) ?

0,750{,}75
0,70{,}7
0,30{,}3
0,120{,}12

$$0{,}12$$

Explication

La probabilité jointe est le produit p(x∣w1)P(w1)p(x|w_1)P(w_1), soit 0,3×0,4=0,120{,}3\times0{,}4=0{,}12. 0,70{,}7 vient d’une addition, 0,750{,}75 d’une division par le prior, et 0,30{,}3 omet le prior.

3. Après observation d’une mesure, les probabilités a posteriori de deux classes sont P(w1∣x)=0,35P(w_1|x)=0{,}35 et P(w2∣x)=0,65P(w_2|x)=0{,}65. Quelle classe choisit le classificateur bayésien à erreur minimale ?

w1w_1
La classe dont le prior est le plus élevé
La classe dont la vraisemblance est la plus élevée
w2w_2

$$w_2$$

Explication

À erreur minimale, la décision retient la classe dont la probabilité a posteriori est la plus élevée; ici, 0,650{,}65 correspond à w2w_2. Le prior et la vraisemblance pris séparément ne remplacent pas cette comparaison des probabilités a posteriori.

4. Pour une classe w1w_1, on a p(x∣w1)=0,2p(x|w_1)=0{,}2, P(w1)=0,6P(w_1)=0{,}6 et p(x)=0,3p(x)=0{,}3. Quelle est la probabilité a posteriori P(w1∣x)P(w_1|x) ?

1,51{,}5
0,120{,}12
0,40{,}4
33

$$0{,}4$$

Explication

La formule de Bayes donne P(w1∣x)=p(x∣w1)P(w1)p(x)=0,2×0,60,3=0,4P(w_1|x)=\frac{p(x|w_1)P(w_1)}{p(x)}=\frac{0{,}2\times0{,}6}{0{,}3}=0{,}4. 0,120{,}12 omet la normalisation, tandis que 1,51{,}5 et 33 résultent d’inversions des termes.

5. Que désigne une fonction discriminante associée à une classe dans un problème de classification ?

Une fonction qui calcule le coût moyen des erreurs, indépendamment de la mesure observée
Une fonction qui décrit la frontière où les probabilités a priori des classes sont égales
Une fonction qui estime la probabilité totale d’observer une mesure, sans distinguer les classes
Une fonction dont la valeur sert à comparer les classes et à sélectionner celle qui obtient le score le plus élevé

Une fonction dont la valeur sert à comparer les classes et à sélectionner celle qui obtient le score le plus élevé

Explication

Une fonction discriminante attribuée à chaque classe permet de choisir la classe dont la fonction prend la plus grande valeur. Le coût moyen des erreurs relève plutôt du risque, qui n’est pas la définition générale d’une fonction discriminante.

6. Pour deux classes gaussiennes en une dimension, quelle forme peut prendre l’équation obtenue en égalisant leurs fonctions discriminantes ?

Une équation exponentielle en xx ne définissant aucune frontière finie
Une équation cubique en xx produisant jusqu’à trois frontières de décision
Une équation linéaire en xx produisant nécessairement une seule frontière
Une équation quadratique en xx pouvant produire deux frontières de décision

Une équation quadratique en $$x$$ pouvant produire deux frontières de décision

Explication

L’égalité des fonctions discriminantes des deux classes gaussiennes mène à une équation quadratique en xx, qui peut donc donner deux frontières. Une équation linéaire ne décrit pas le cas général, même si une frontière unique apparaît lorsque les variances et les probabilités a priori sont égales.

7. Quel rôle joue la matrice de covariance dans la description gaussienne multidimensionnelle d’une classe ?

Elle indique les probabilités a priori des différentes classes.
Elle décrit les variances des caractéristiques et leurs covariances.
Elle détermine la région de décision à partir des coûts de classification.
Elle rassemble les moyennes des caractéristiques dans un vecteur.

Elle décrit les variances des caractéristiques et leurs covariances.

Explication

La matrice de covariance représente les variances et les covariances des caractéristiques; ses variances figurent sur sa diagonale. Le vecteur des moyennes rassemble les moyennes des caractéristiques, mais ne décrit pas leurs covariances.

8. Comment la probabilité d’erreur conditionnelle à une classe se distingue-t-elle de la probabilité totale d’erreur pour deux classes ?

La première mesure la probabilité d’attribuer une mesure à une région donnée, tandis que la seconde compare les densités des classes à la frontière de décision.
La première pondère les erreurs croisées par les probabilités a priori, tandis que la seconde intègre la densité d’une seule classe hors de sa région de décision.
La première additionne les probabilités a priori des classes, tandis que la seconde intègre les densités des deux classes dans leurs propres régions de décision.
La première intègre la densité de cette classe hors de sa région de décision, tandis que la seconde pondère les erreurs croisées par les probabilités a priori des deux classes.

La première intègre la densité de cette classe hors de sa région de décision, tandis que la seconde pondère les erreurs croisées par les probabilités a priori des deux classes.

Explication

L’erreur conditionnelle à la classe wiw_i correspond à la masse de sa densité située hors de RiR_i. La probabilité totale tient compte des deux types d’erreurs et les pondère par les probabilités a priori; elle ne porte donc pas sur une seule classe hors de sa région.

9. En l’absence de mesure ou d’extraction de caractéristiques, quelle conséquence entraîne une probabilité a priori plus élevée pour une classe de poissons ?

Le classificateur choisit la classe ayant la vraisemblance la plus élevée pour une mesure observée.
Le classificateur attribue la mesure à la classe ayant la probabilité marginale la plus élevée.
Le classificateur choisit la classe dont la probabilité a posteriori est la plus faible.
Le classificateur choisit cette classe, car aucune mesure ne permet de comparer les vraisemblances.

Le classificateur choisit cette classe, car aucune mesure ne permet de comparer les vraisemblances.

Explication

Sans mesure ni caractéristique extraite, la décision repose sur les probabilités a priori : la classe ayant la probabilité a priori la plus élevée est choisie. Comparer les vraisemblances suppose au contraire qu’une mesure soit disponible.

10. Pour choisir entre deux classes après avoir observé une mesure, comment appliquer la règle de décision bayésienne à erreur minimale ?

Choisir la classe dont le risque conditionnel est le plus élevé.
Choisir la classe dont la vraisemblance est la plus faible.
Choisir la classe dont la probabilité a posteriori est la plus élevée.
Choisir la classe dont la probabilité a priori est la plus élevée.

Choisir la classe dont la probabilité a posteriori est la plus élevée.

Explication

La règle bayésienne à erreur minimale consiste à retenir, après observation, la classe ayant la probabilité a posteriori la plus élevée. La probabilité a priori ne tient pas compte de la mesure observée, contrairement à la probabilité a posteriori.

Révisez avec les flashcards

Mémorisez les réponses avec 10 flashcards sur Méthodes bayésiennes de classification.

Quelle classe choisit la classification bayésienne à erreur minimale ?

Celle dont la probabilité a posteriori est la plus élevée.

Comment définit-on le risque conditionnel de décider wiw_i sachant xx ?

La somme des coûts λij\lambda_{ij} pondérés par les probabilités a posteriori des classes réelles wjw_j.

Sans mesure ni extraction de caractéristiques, comment choisir entre les saumons w1w_1 et les bars w2w_2 ?

Choisir la classe ayant la probabilité a priori la plus élevée.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Méthodes bayésiennes de classification.

Voir la fiche →

Cours similaires

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM