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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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