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.
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.
- 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
- 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
- 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
- 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
- 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