Quiz lié à un guide · Facile Niveau

Quiz sur les arbres de décision et les forêts aléatoires

Examinez les chemins de décision des arbres, le surajustement, l'agrégation d'ensemble, les échantillons bootstrap, les critères de fractionnement, le boosting, les fonctionnalités aléatoires et l'évaluation prête à l'emploi.

Chemins de guidage associésArbres de décision et forêts aléatoires
Question 1 de 8

Comment un arbre de décision fait-il une prédiction ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Comment un arbre de décision fait-il une prédiction ?
    • En faisant la moyenne de tous les pixels d'une image
    • En traduisant du texte entre les langues
    • En devinant au hasard à chaque fois
    • En suivant une série de questions oui/non jusqu'à une feuille
  2. Quelle est la principale faiblesse d’un arbre de décision unique et profond ?
    • Il ne peut pas gérer les chiffres
    • Il a tendance à surajuster et à mémoriser le bruit dans les données d'entraînement
    • Il ne peut sortir que du texte
    • Il nécessite un GPU pour fonctionner
  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. Quelle métrique les arbres de classification utilisent-ils couramment pour choisir une division ?
    • Luminosité des pixels
    • Impureté Gini ou entropie
    • Fréquence audio
    • Nombre de mots
  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