Quiz collegato alla guida · Facile Livello

Quiz sugli alberi decisionali e sulle foreste casuali

Esamina i percorsi decisionali degli alberi, l'overfitting, l'aggregazione di ensemble, i campioni di bootstrap, i criteri di suddivisione, il potenziamento, le funzionalità casuali e la valutazione out-of-bag.

Percorsi guida correlatiAlberi decisionali e foreste casuali
Domanda 1 di 8

Come fa un albero decisionale a fare una previsione?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Come fa un albero decisionale a fare una previsione?
    • Calcolando la media di tutti i pixel in un'immagine
    • Traducendo il testo tra le lingue
    • Indovinando a caso ogni volta
    • Seguendo una serie di domande sì/no fino a una foglia
  2. Qual è il principale punto debole di un albero decisionale unico e profondo?
    • Non può gestire i numeri
    • Tende ad adattarsi eccessivamente e a memorizzare il rumore nei dati di addestramento
    • Può solo produrre testo
    • Richiede una GPU per funzionare
  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. Quale metrica vengono comunemente utilizzati dagli alberi di classificazione per scegliere una suddivisione?
    • Luminosità dei pixel
    • Impurezza di Gini o entropia
    • Frequenza audio
    • Conteggio delle parole
  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