Quiz collegato alla guida · Medio Livello

Quiz sui metodi di selezione delle funzionalità

Confronta la selezione di filtri, wrapper e funzionalità integrate e riconosci perdite, ridondanza e limiti di importanza variabile.

Domanda 1 di 8

In che modo la selezione delle caratteristiche differisce dall'analisi delle componenti principali?

Anteprima di ogni domanda8 domande

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

  1. In che modo la selezione delle caratteristiche differisce dall'analisi delle componenti principali?
    • Sia la selezione che la PCA costruiscono le stesse proiezioni lineari
    • La selezione sceglie le righe di dati mentre PCA sceglie le colonne originali
    • La selezione mantiene le variabili di input; PCA costruisce componenti trasformati
    • La selezione è necessariamente non supervisionata mentre la PCA richiede etichette di classe
  2. Un filtro univariato può perdere una variabile che è utile solo attraverso cosa?
    • La sua varianza considerata isolatamente
    • Un'interazione con un'altra funzionalità
    • La frequenza dei soli valori mancanti della colonna
    • La sua correlazione lineare con il solo obiettivo
  3. Cosa rende l'eliminazione delle funzionalità ricorsive un metodo wrapper?
    • Calcola solo una soglia di varianza senza etichetta
    • Trasforma ogni caratteristica in una componente principale
    • Corregge una classificazione iniziale delle caratteristiche senza rimontare
    • Si adatta ripetutamente a uno stimatore per giudicare i sottoinsiemi di caratteristiche
  4. Un modello lineare regolarizzato L1 imposta alcuni coefficienti su zero durante l'adattamento. Questo è un esempio di quale famiglia?
    • Selezione incorporata
    • Un filtro univariato indipendente dallo stimatore
    • Una ricerca esterna che adatta ogni sottoinsieme di candidati
    • Una proiezione di componenti non supervisionata
  5. Perché la selezione delle funzionalità supervisionate deve essere ripetuta all'interno di ogni piega di formazione?
    • Per garantire variabili selezionate identiche in ogni piega
    • Per evitare di ottimizzare la dimensione del sottoinsieme selezionato
    • Per evitare che le etichette trattenute influenzino il sottoinsieme selezionato
    • Per rendere la precisione dell'allenamento un punteggio imparziale
  6. Come dovrebbe essere interpretata un'informazione reciproca elevata con un obiettivo?
    • Prova di dipendenza statistica, non prova di causalità
    • La prova della funzionalità aiuterà ogni stimatore
    • Prova che la funzionalità è indipendente dalle altre
    • Una garanzia di prestazioni stabili nella produzione
  7. Due variabili correlate dividono l'importanza di un modello ad albero. Cosa dovrebbe concludere un analista?
    • Entrambe le variabili si sono rivelate inutili
    • Il punteggio più basso dimostra una causalità negativa
    • I punteggi di importanza non sono influenzati dalla correlazione
    • L'importanza può essere distribuita tra i sostituti, quindi controlla la ridondanza
  8. Un sottoinsieme selezionato cambia notevolmente tra i campioni. Quale diagnostica è più direttamente rilevante?
    • Stabilità della selezione tra i campioni
    • Il punteggio di training di un singolo sottoinsieme adattato
    • La varianza marginale di una colonna selezionata
    • Il numero di variabili di input prima della selezione