Útmutatóhoz kapcsolódó kvíz · Közepes Szint

AdaBoost kvíz

Kövesse nyomon az AdaBoost szekvenciális tanulóit, a súlyozott hibákat, a példa újrasúlyozását, a végső szavazást és a zajos, nehéz esetekre való érzékenységet.

Kapcsolódó útmutató utakAdaboost
kérdés 1 -ból 8

Hogyan képezik általában az AdaBoost gyenge tanulóit egymáshoz képest?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Hogyan képezik általában az AdaBoost gyenge tanulóit egymáshoz képest?
    • Függetlenül változatlan mintasúlyok mellett
    • Egyszerre egyetlen közös súlyozatlan veszteséggel
    • Sorozatosan, a későbbi fordulókban alkalmazkodva a korábbi hibákhoz
    • Csak az utolsó tanuló megtartásával és az előző fordulók elvetésével
  2. Miután egy tanuló rosszul osztályoz egy példát, mi történik általában a relatív edzési súlyával?
    • Azonossá válik a tanuló együttes szavazatával
    • A következő körben növekszik
    • Az első hibás besorolást követően véglegesen eltávolítják
    • Minden következő kör előtt egyenlő súlyra áll vissza
  3. A klasszikus bináris megfogalmazásban milyen súlyozott hiba eredményez hasznos pozitív tanulói szavazatot?
    • Felénél nagyobb hiba
    • Bármilyen hiba, mert az együttes súlya mindig pozitív
    • Csak a végső tesztkészleten mért hiba
    • Súlyozott hiba fele alatt
  4. Miért jelenthetnek problémát a rosszul felcímkézett kiugró értékek az AdaBoost számára?
    • Folyton megnövekedett súlyt kaphatnak
    • Az újrasúlyozás bizonyítja, hogy címkéiknek megfelelőnek kell lenniük
    • Minden egyes csonk automatikusan eltávolítja az inkonzisztens címkékkel rendelkező példákat
    • Az ismételt körök garantálják, hogy az ilyen példák nem befolyásolják
  5. Milyen gyakori becenéven ismerik az egyrészes döntési fát?
    • Döntési erdő
    • Döntési ág
    • Döntési csonk
    • Döntési együttes
  6. Mi egyesíti a tanulók sorrendjét a végső AdaBoost előrejelzésben?
    • Csak az utolsó tanuló jóslata
    • Eredményeik súlyozott szavazata
    • Egy szavazat szükségszerűen egyenlő súllyal minden tanulóra
    • Egyedül a legnagyobb részhalmazra képzett tanuló előrejelzése
  7. Mit kell ellenőriznie egy gyakorló szakembernek, ha több példa nehéz marad a körökben?
    • Az, hogy a nagy súly önmagában minden esetet bizonyít-e, rosszul van megjelölve
    • Minden bonyolult esetet automatikusan el kell-e távolítani
    • A körök növelése garantálja-e, hogy minden eset reprezentatív lesz
    • Függetlenül attól, hogy érvényesek, hibásan vannak-e felcímkézve vagy a rendeltetésszerű használaton kívüliek
  8. Melyik állítás indokolt a több növelő körről?
    • Több kör nem garantálja a jobb általánosítást
    • Az alacsonyabb edzési hiba alacsonyabb jövőbeli hibát garantál
    • Az ismételt súlyozás garantálja a zajos címkék kijavítását
    • A nagy együttes szükségtelenné teszi a hosszas értékelést