Metode Ensemble dan Kuis Peningkatan Gradien

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. What is the core operation in an ensemble method?
   • Combining predictions from multiple models
   • Menggunakan satu model yang sangat besar, bukan banyak model yang kecil
   • Melatih model dengan data sebanyak mungkin
   • Menghapus semua pembelajar yang lemah dari suatu model
2. How does gradient boosting differ from bagging in the usual training setup?
   • Meningkatkan pohon kereta secara paralel; mengantongi melatih mereka secara berurutan
   • Boosting adds learners sequentially; independently fitted bagging learners can be trained in parallel
   • Peningkatan hanya berfungsi pada gambar; mengantongi hanya pada teks
   • Mereka identik dalam praktiknya
3. In gradient boosting, what target does a new tree approximate?
   • Label mentah asli
   • Hanya subset acak dari fitur saja
   • The negative gradient of the current loss, often called a pseudo-residual
   • Rata-rata dari semua pohon sebelumnya
4. What is a possible effect of using a smaller learning rate in boosting?
   • Untuk menambah ukuran setiap pohon
   • Untuk menghapus pohon yang kinerjanya buruk
   • Untuk mengubah pohon menjadi jaringan saraf
   • 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
   • Gambar resolusi tinggi
   • Bentuk gelombang audio mentah
   • Dokumen berbahasa alami yang panjang
6. Teknik regularisasi manakah yang umum digunakan untuk menjaga peningkatan agar tidak terjadi overfitting?
   • Menghapus fungsi kerugian
   • Membatasi kedalaman pohon dan subsampling baris/fitur
   • Selalu menggunakan kecepatan pembelajaran tepat 1,0
   • Melatih banyak pohon tanpa batas
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