Тест, свързан с ръководство · лесно Ниво

Тест за дървета на решенията и произволни гори

Преглед на пътищата за вземане на решения в дърво, пренастройване, агрегиране на ансамбъл, извадки за първоначално зареждане, критерии за разделяне, усилване, произволни характеристики и оценка на изчерпване.

Свързани ръководни пътекиДървета на решенията и произволни гори
Въпрос 1 на 8

Как дървото на решенията прави прогноза?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Как дървото на решенията прави прогноза?
    • Чрез осредняване на всички пиксели в изображението
    • Чрез превод на текст между езици
    • Чрез произволно отгатване всеки път
    • Като следвате поредица от въпроси с да/не до един лист
  2. Каква е основната слабост на едно, дълбоко дърво на решенията?
    • Не може да работи с числа
    • Той има тенденция да пренастройва и запомня шума в данните за обучението
    • Може да извежда само текст
    • Изисква графичен процесор, за да работи
  3. How does a random forest combine the predictions of its constituent trees?
    • By aggregating predictions, such as class votes or probabilities
    • By using exactly one tree and discarding every other output
    • By converting all trees into one fixed training row
    • By guaranteeing that all individual errors cancel
  4. What sampling operation does bagging use when constructing conventional bootstrap training sets?
    • Sorting rows only by filename
    • Permanently deleting all numerical features
    • Drawing training rows with replacement
    • Assigning exactly one unique row to every tree
  5. Какъв показател обикновено използват класификационните дървета, за да изберат разделяне?
    • Яркост на пикселите
    • Джини примес или ентропия
    • Аудио честота
    • Брой думи
  6. Which named system is described in the paper A Scalable Tree Boosting System?
    • Фотошоп
    • FFmpeg
    • Kubernetes
    • XGBoost
  7. Which random-forest mechanism varies candidate input features at a split rather than resampling training rows?
    • Bootstrap row sampling alone
    • Alphabetical label sorting
    • Random feature-subset selection
    • A guarantee of identical splits in every tree
  8. For a training row in a bootstrap forest, which trees should contribute to its out-of-bag prediction?
    • Trees whose bootstrap samples omitted that row
    • Only trees whose samples included that row at least twice
    • Every tree regardless of whether it trained on the row
    • A required newly trained tree using only that row