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.
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.
- 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
- 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
- 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
- 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
- Milyen gyakori becenéven ismerik az egyrészes döntési fát?
- Döntési erdő
- Döntési ág
- Döntési csonk
- Döntési együttes
- 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
- 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
- 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