Quiz collegato alla guida · Medio Livello

Metodi complessivi e quiz sul potenziamento del gradiente

Confronta bagging e boosting, adattamento residuo, contrazione, regolarizzazione, utilizzo di dati tabellari e strumenti di valutazione per insiemi di alberi.

Domanda 1 di 8

Qual è l'operazione fondamentale in un metodo ensemble?

Anteprima di ogni domanda8 domande

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

  1. Qual è l'operazione fondamentale in un metodo ensemble?
    • Combining predictions from multiple models
    • Utilizzando un modello molto grande invece di tanti piccoli
    • Addestramento di un modello sul maggior numero di dati possibile
    • Rimozione di tutti gli studenti deboli da un modello
  2. How does gradient boosting differ from bagging in the usual training setup?
    • Potenziare i treni alberi in parallelo; l'insaccamento li addestra in sequenza
    • Boosting adds learners sequentially; independently fitted bagging learners can be trained in parallel
    • Il potenziamento funziona solo sulle immagini; insaccando solo sul testo
    • Nella pratica sono identici
  3. In gradient boosting, what target does a new tree approximate?
    • Le etichette grezze originali
    • Solo un sottoinsieme casuale delle funzionalità
    • The negative gradient of the current loss, often called a pseudo-residual
    • La media di tutti gli alberi precedenti
  4. What is a possible effect of using a smaller learning rate in boosting?
    • Per aumentare la dimensione di ogni albero
    • Per eliminare alberi con prestazioni scarse
    • Convertire gli alberi in reti neurali
    • 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
    • Immagini ad alta risoluzione
    • Forme d'onda audio grezze
    • Documenti lunghi in linguaggio naturale
  6. Qual è una tecnica di regolarizzazione comune utilizzata per evitare un overfitting del boosting?
    • Rimozione della funzione di perdita
    • Limitazione della profondità dell'albero e sottocampionamento di righe/funzioni
    • Utilizzando sempre un tasso di apprendimento esattamente di 1,0
    • Formazione di infiniti alberi
  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