Mit dem Guide verknüpftes Quiz · Einfach Ebene

Entscheidungsbäume und Zufallswälder-Quiz

Überprüfen Sie Baumentscheidungspfade, Überanpassung, Ensemble-Aggregation, Bootstrap-Stichproben, Aufteilungskriterien, Boosting, Zufallsfunktionen und Out-of-Bag-Bewertung.

Verwandte FührungspfadeEntscheidungsbäume und Zufallswälder
Frage 1 von 8

Wie trifft ein Entscheidungsbaum eine Vorhersage?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Wie trifft ein Entscheidungsbaum eine Vorhersage?
    • Durch Mittelung aller Pixel in einem Bild
    • Durch die Übersetzung von Texten zwischen Sprachen
    • Durch jedes Mal zufälliges Raten
    • Indem Sie einer Reihe von Ja/Nein-Fragen bis zu einem Blatt folgen
  2. Was ist die Hauptschwäche eines einzelnen, tiefen Entscheidungsbaums?
    • Es kann nicht mit Zahlen umgehen
    • Es neigt zur Überanpassung und speichert Rauschen in den Trainingsdaten
    • Es kann nur Text ausgegeben werden
    • Zum Betrieb ist eine GPU erforderlich
  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. Welche Metrik verwenden Klassifizierungsbäume üblicherweise, um eine Aufteilung auszuwählen?
    • Pixelhelligkeit
    • Gini-Verunreinigung oder Entropie
    • Audiofrequenz
    • Wortanzahl
  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