Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Együttes módszerek és színátmenetnövelő kvíz
Compare bagging and boosting, residual fitting, shrinkage, regularization, tabular-data use, and evaluation tools for tree ensembles.
kérdés 1 -ból 8
What is the core operation in an ensemble method?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- What is the core operation in an ensemble method?
- Combining predictions from multiple models
- Egy nagyon nagy modell használata sok kicsi helyett
- Modell betanítása a lehető legtöbb adatra
- Az összes gyenge tanuló eltávolítása a modellből
- How does gradient boosting differ from bagging in the usual training setup?
- A fellendítés párhuzamosan vonzza a fákat; a zsákolás szekvenciálisan képezi őket
- Boosting adds learners sequentially; independently fitted bagging learners can be trained in parallel
- A kiemelés csak képeken működik; zacskó csak szövegre
- A gyakorlatban azonosak
- In gradient boosting, what target does a new tree approximate?
- Az eredeti nyers címkék
- Csak a funkciók véletlenszerű részhalmaza
- The negative gradient of the current loss, often called a pseudo-residual
- Az összes korábbi fa átlaga
- What is a possible effect of using a smaller learning rate in boosting?
- Az egyes fák méretének növelése
- A rosszul teljesítő fák törléséhez
- A fák neurális hálózatokká alakítása
- It can make updates more gradual and may require more trees
- What type of input is used in the cited gradient-boosted-tree examples and studies?
- Structured or tabular data
- Nagy felbontású képek
- Nyers hanghullámformák
- Hosszú természetes nyelvű dokumentumok
- Melyik az elterjedt szabályosítási technika, amellyel elkerülhető a túlillesztés?
- A veszteségfüggvény eltávolítása
- A fa mélységének korlátozása és a sorok/jellemzők almintavételezése
- Mindig pontosan 1,0 tanulási sebességet használunk
- Képzés végtelen sok fa
- What does an out-of-bag score estimate in a bagged tree ensemble?
- The accuracy on examples used by every tree
- The number of leaves in the largest tree
- Generalization performance using training examples omitted from a tree’s bootstrap sample
- The learning rate of a gradient-boosted model
- What does early stopping monitor during gradient-boosting training?
- Only the training-set row order
- Whether the model has no trees left
- The number of categorical columns in a spreadsheet
- A validation metric and stops adding trees when it no longer improves