Cuestionario vinculado a una guía · fácil Nivel

Prueba de árboles de decisión y bosques aleatorios

Revise las rutas de decisión de los árboles, el sobreajuste, la agregación de conjuntos, las muestras de arranque, los criterios divididos, el impulso, las características aleatorias y la evaluación lista para usar.

Rutas de guía relacionadasÁrboles de decisión y bosques aleatorios
Pregunta 1 de 8

¿Cómo hace un árbol de decisión una predicción?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Cómo hace un árbol de decisión una predicción?
    • Promediando todos los píxeles de una imagen
    • Traduciendo texto entre idiomas
    • Adivinando al azar cada vez
    • Siguiendo una serie de preguntas de sí/no hasta una hoja
  2. ¿Cuál es la principal debilidad de un árbol de decisión único y profundo?
    • No puede manejar números
    • Tiende a sobreajustarse y memorizar el ruido en los datos de entrenamiento.
    • Solo puede generar texto
    • Requiere una GPU para ejecutarse
  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. ¿Qué métrica utilizan habitualmente los árboles de clasificación para elegir una división?
    • Brillo de píxeles
    • Impureza de Gini o entropía
    • frecuencia de audio
    • recuento de palabras
  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