Kvíz spojený s průvodcem · Střední úroveň

Ensemble Methods a Gradient Boosting Quiz

Porovnejte pytlování a zesílení, zbytkové přizpůsobení, smrštění, regularizaci, použití tabulkových dat a vyhodnocovací nástroje pro stromové soubory.

Související vodicí cestyEnsemble Methods A Gradient Boosting
Otázka 1 z 8

What is the core operation in an ensemble method?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. What is the core operation in an ensemble method?
    • Combining predictions from multiple models
    • Použití jednoho velmi velkého modelu místo mnoha malých
    • Trénink modelu na co největším množství dat
    • Odstranění všech slabých žáků z modelu
  2. How does gradient boosting differ from bagging in the usual training setup?
    • Posilování trénuje stromy paralelně; pytlování je trénuje postupně
    • Boosting adds learners sequentially; independently fitted bagging learners can be trained in parallel
    • Boosting funguje pouze u obrázků; pytlování pouze na textu
    • V praxi jsou totožné
  3. In gradient boosting, what target does a new tree approximate?
    • Původní raw etikety
    • Pouze náhodná podmnožina funkcí
    • The negative gradient of the current loss, often called a pseudo-residual
    • Průměr všech předchozích stromů
  4. What is a possible effect of using a smaller learning rate in boosting?
    • Chcete-li zvětšit velikost každého stromu
    • Chcete-li odstranit stromy, které fungují špatně
    • Převést stromy na neuronové sítě
    • It can make updates more gradual and may require more trees
  5. What type of input is used in the cited gradient-boosted-tree examples and studies?
    • Structured or tabular data
    • Obrázky ve vysokém rozlišení
    • Surové zvukové křivky
    • Dlouhé dokumenty v přirozeném jazyce
  6. Jaká je běžná technika regularizace, která se používá k tomu, aby nedošlo k přetížení?
    • Odstranění funkce ztráty
    • Omezení hloubky stromu a řádků/prvků podvzorkování
    • Vždy použijte rychlost učení přesně 1,0
    • Školení nekonečně mnoho stromů
  7. What does an out-of-bag score estimate in a bagged tree ensemble?
    • The accuracy on examples used by every tree
    • The number of leaves in the largest tree
    • Generalization performance using training examples omitted from a tree’s bootstrap sample
    • The learning rate of a gradient-boosted model
  8. What does early stopping monitor during gradient-boosting training?
    • Only the training-set row order
    • Whether the model has no trees left
    • The number of categorical columns in a spreadsheet
    • A validation metric and stops adding trees when it no longer improves