Útmutatóhoz kapcsolódó kvíz · Könnyű Szint

Döntési fák és véletlenszerű erdők kvíz

Review tree decision paths, overfitting, ensemble aggregation, bootstrap samples, split criteria, boosting, random features, and out-of-bag evaluation.

Kapcsolódó útmutató utakDöntési fák és véletlenszerű erdők
kérdés 1 -ból 8

Hogyan jósol egy döntési fa?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Hogyan jósol egy döntési fa?
    • A kép összes képpontjának átlagolásával
    • Szöveg nyelvek közötti fordításával
    • Minden alkalommal véletlenszerűen kitalálva
    • Az igen/nem kérdések sorozatának követésével egészen a levelekig
  2. Mi az egységes, mély döntési fa fő gyengesége?
    • Nem tudja kezelni a számokat
    • Hajlamos túlilleszkedni és megjegyezni a zajt az edzési adatokban
    • Csak szöveget tud kiadni
    • Működéséhez GPU szükséges
  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. Milyen mérőszámot használnak az osztályozófák a felosztás kiválasztásához?
    • Pixel fényerő
    • Gini-szennyeződés vagy entrópia
    • Hangfrekvencia
    • Szószám
  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