गाइड से जुड़ी प्रश्नोत्तरी · मध्यम स्तर
बिनिंग और विवेकीकरण प्रश्नोत्तरी
समान-चौड़ाई और मात्रात्मक डिब्बे, लक्ष्य-सूचित कट पॉइंट, सूचना हानि और हिस्टोग्राम-आधारित वृक्ष शिक्षार्थियों द्वारा उपयोग किए गए सन्निकटन का परीक्षण करता है।
प्रश्न 1 का 8
अत्यधिक विषम आय सुविधा के लिए, समान-चौड़ाई और क्वांटाइल बिनिंग अपनी सीमाओं को अलग-अलग कैसे रखते हैं?
प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न
जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।
- अत्यधिक विषम आय सुविधा के लिए, समान-चौड़ाई और क्वांटाइल बिनिंग अपनी सीमाओं को अलग-अलग कैसे रखते हैं?
- समान-चौड़ाई वाली बिनिंग सीमा को समान आकार के अंतरालों में विभाजित करती है, जबकि क्वांटाइल बिनिंग सीमाएं चुनती है ताकि प्रत्येक बिन में लगभग समान संख्या में डेटा बिंदु हों
- समान-चौड़ाई वाली बिनिंग लक्ष्य लेबल का उपयोग करती है, क्वांटाइल बिनिंग नहीं करती है
- वे एक ही विधि के दो नाम हैं
- क्वांटाइल बिनिंग को केवल श्रेणीबद्ध चर पर ही लागू किया जा सकता है
- पर्यवेक्षित बिनिंग को समान-चौड़ाई या क्वांटाइल बिनिंग से क्या अलग करता है?
- इसके लिए किसी भी डेटा की आवश्यकता नहीं है
- यह केवल दो डिब्बे ही तैयार कर सकता है
- यह सर्वोत्तम पृथक परिणामों के लिए लक्ष्य लेबल का उपयोग करके बिन सीमाओं को चुनता है
- यह समान-चौड़ाई वाले बिनिंग के समान है लेकिन इसका नाम बदल दिया गया है
- जब समान-चौड़ाई वाले डिब्बे को तिरछी सुविधा पर लागू किया जाता है, तो नमूना गणना का क्या वितरण हो सकता है?
- इसके लिए हमेशा पर्यवेक्षित लेबल की आवश्यकता होती है
- यदि डेटा समान रूप से वितरित नहीं किया गया तो कुछ डिब्बे लगभग खाली हो सकते हैं जबकि अन्य में अत्यधिक भीड़ हो सकती है
- इसकी गणना संख्यात्मक चरों के लिए नहीं की जा सकती
- यह क्वांटाइल बिनिंग की तुलना में कम्प्यूटेशनल रूप से अधिक महंगा है
- बिनिंग एक रैखिक मॉडल को एक चर और परिणाम के बीच एक गैर-रैखिक संबंध को कैसे पकड़ने दे सकता है?
- मॉडल से वेरिएबल को पूरी तरह से हटाकर
- रैखिक मॉडल को निर्णय वृक्ष में परिवर्तित करके
- चर को सामान्य रूप से वितरित करने की आवश्यकता के द्वारा
- प्रत्येक बिन को अपना स्वयं का गुणांक देकर, प्रभावी ढंग से एक चरण-फ़ंक्शन संबंध बनाया जाता है
- दो मानों को एक ही बिन में मैप करने के बाद, मॉडल किस विवरण को उस सुविधा से अलग नहीं कर सकता है?
- यह प्रत्येक मॉडल की कम्प्यूटेशनल लागत को बढ़ाता है
- एक ही बिन के भीतर के मान मॉडल के लिए अप्रभेद्य हो जाते हैं
- इसके लिए अधिक प्रशिक्षण डेटा एकत्र करने की आवश्यकता है
- यह डेटासेट से लक्ष्य चर को हटा देता है
- पेड़-आधारित मॉडल और बिनिंग के बारे में गाइड किस ग़लतफ़हमी को दूर करती है?
- आधुनिक ग्रेडिएंट बूस्टिंग एल्गोरिदम पहले से ही आंतरिक रूप से निरंतर विभाजन को संभालते हैं और अक्सर फीचर इंजीनियरिंग के रूप में प्री-बिनिंग की आवश्यकता नहीं होती है
- किसी भी वृक्ष मॉडल को प्रशिक्षित करने के लिए उस बिनिंग की आवश्यकता होती है
- वह पेड़ निरंतर चर का बिल्कुल भी उपयोग नहीं कर सकते हैं
- वह बिनिंग हमेशा ट्री मॉडल सटीकता में सुधार करती है
- हिस्टोग्राम-आधारित ट्री लर्नर में, फीचर बिन के एक सीमित सेट का उपयोग मुख्य रूप से क्या व्यापार करता है?
- मॉडल को मनुष्यों के लिए अधिक व्याख्या योग्य बनाना
- वित्तीय नियमों का अनुपालन करना
- हानि फ़ंक्शन की आवश्यकता को प्रतिस्थापित करने के लिए
- एक कम्प्यूटेशनल गति अनुकूलन के रूप में जो निश्चित संख्या में बाल्टियों के साथ निरंतर विभाजन का अनुमान लगाता है
- एक क्रेडिट-स्कोरकार्ड टीम स्पष्ट जोखिम बैंड क्यों चुन सकती है, भले ही किसी सार्वभौमिक नियम के लिए बिनिंग की आवश्यकता न हो?
- क्योंकि प्रत्येक क्रेडिट विनियमन समान-चौड़ाई वाले डिब्बे को अनिवार्य करता है
- मॉडल के लिए प्रत्येक सटीक मान को संरक्षित करने के लिए
- मोटे जोखिम समूह को अधिक आसानी से संप्रेषित करना या समीक्षा करना
- क्योंकि बिनिंग उच्च पूर्वानुमानित सटीकता की गारंटी देता है