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.
kérdés 1 -ból 8
Hogyan jósol egy döntési fa?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- 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
- 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
- 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
- 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
- Milyen mérőszámot használnak az osztályozófák a felosztás kiválasztásához?
- Pixel fényerő
- Gini-szennyeződés vagy entrópia
- Hangfrekvencia
- Szószám
- Which named system is described in the paper A Scalable Tree Boosting System?
- Photoshop
- FFmpeg
- Kubernetes
- XGBoost
- 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
- 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