Μέθοδοι συνόλου και Κουίζ ενίσχυσης κλίσης

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. What is the core operation in an ensemble method?
   • Combining predictions from multiple models
   • Χρησιμοποιώντας ένα πολύ μεγάλο μοντέλο αντί για πολλά μικρά
   • Εκπαίδευση ενός μοντέλου σε όσο το δυνατόν περισσότερα δεδομένα
   • Αφαίρεση όλων των αδύναμων μαθητών από ένα μοντέλο
2. How does gradient boosting differ from bagging in the usual training setup?
   • Ενίσχυση των δέντρων παράλληλα. το bagging τους εκπαιδεύει διαδοχικά
   • Boosting adds learners sequentially; independently fitted bagging learners can be trained in parallel
   • Η ενίσχυση λειτουργεί μόνο σε εικόνες. σακούλα μόνο σε κείμενο
   • Στην πράξη είναι πανομοιότυπα
3. In gradient boosting, what target does a new tree approximate?
   • Οι αυθεντικές ακατέργαστες ετικέτες
   • Μόνο ένα τυχαίο υποσύνολο χαρακτηριστικών
   • The negative gradient of the current loss, often called a pseudo-residual
   • Ο μέσος όρος όλων των προηγούμενων δέντρων
4. What is a possible effect of using a smaller learning rate in boosting?
   • Για να αυξήσετε το μέγεθος κάθε δέντρου
   • Για να διαγράψετε δέντρα που έχουν κακή απόδοση
   • Μετατροπή δέντρων σε νευρωνικά δίκτυα
   • 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
   • Εικόνες υψηλής ανάλυσης
   • Ακατέργαστες κυματομορφές ήχου
   • Μακρά έγγραφα φυσικής γλώσσας
6. Ποια είναι μια κοινή τεχνική τακτοποίησης που χρησιμοποιείται για να κρατήσει την ώθηση από υπερβολική προσαρμογή;
   • Αφαίρεση της λειτουργίας απώλειας
   • Περιορισμός βάθους δέντρων και υποδειγματοληψία σειρών/χαρακτηριστικών
   • Χρησιμοποιώντας πάντα ρυθμό εκμάθησης ακριβώς 1,0
   • Εκπαιδεύοντας άπειρα δέντρα
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