Kvíz spojený s průvodcem · Snadno úroveň

Rozhodovací stromy a náhodné lesy kvíz

Prohlédněte si stromové rozhodovací cesty, overfitting, agregaci souboru, bootstrap vzorky, rozdělená kritéria, posílení, náhodné funkce a vyhodnocení po vybalení.

Související vodicí cestyRozhodovací Stromy A Náhodné Lesy
Otázka 1 z 8

Jak rozhodovací strom vytváří předpověď?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jak rozhodovací strom vytváří předpověď?
    • Zprůměrováním všech pixelů v obrázku
    • Překladem textu mezi jazyky
    • Pokaždé náhodným hádáním
    • Sledováním série otázek ano/ne až po list
  2. Jaká je hlavní slabina jediného, hlubokého rozhodovacího stromu?
    • Neumí zpracovávat čísla
    • Má tendenci přepasovat a zapamatovat si hluk v tréninkových datech
    • Může vydávat pouze text
    • Ke spuštění vyžaduje GPU
  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. Jakou metriku běžně používají klasifikační stromy k výběru rozdělení?
    • Jas pixelů
    • Gini nečistota nebo entropie
    • Frekvence zvuku
    • Počet slov
  6. Which named system is described in the paper A Scalable Tree Boosting System?
    • Photoshop
    • 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