Κουίζ για δέντρα απόφασης και τυχαία δάση

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Πώς ένα δέντρο αποφάσεων κάνει μια πρόβλεψη;
   • Με τον μέσο όρο όλων των pixel σε μια εικόνα
   • Με τη μετάφραση κειμένου μεταξύ γλωσσών
   • Μαντεύοντας τυχαία κάθε φορά
   • Ακολουθώντας μια σειρά ερωτήσεων ναι/όχι μέχρι ένα φύλλο
2. Ποια είναι η κύρια αδυναμία ενός ενιαίου, βαθιού δέντρου αποφάσεων;
   • Δεν μπορεί να χειριστεί αριθμούς
   • Τείνει να υπερπροσαρμόζει και να απομνημονεύει τον θόρυβο στα δεδομένα προπόνησης
   • Μπορεί να παράγει μόνο κείμενο
   • Απαιτεί μια GPU για να τρέξει
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. Ποια μέτρηση χρησιμοποιούν συνήθως τα δέντρα ταξινόμησης για να επιλέξουν ένα split;
   • Φωτεινότητα pixel
   • Ακαθαρσία ή εντροπία Τζίνι
   • Συχνότητα ήχου
   • Καταμέτρηση λέξεων
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