Quiz collegato alla guida · Facile Livello

Quiz sull'impurità di Gini

Calcolare l'impurità del nodo e il guadagno diviso ponderato, quindi distinguere il ruolo di costruzione dell'albero locale di Gini dalla valutazione della previsione.

Percorsi guida correlatiGini Impurità
Domanda 1 di 8

Un nodo binario ha proporzioni di classe 0,8 e 0,2. Qual è la sua impurità Gini?

Anteprima di ogni domanda8 domande

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

  1. Un nodo binario ha proporzioni di classe 0,8 e 0,2. Qual è la sua impurità Gini?
    • 0,32
    • 0,20
    • 0,64
    • 0,80
  2. Quale valore descrive l'impurità in un nodo contenente solo una classe?
    • 0,5
    • 0
    • 1
    • Dipende dal numero di predittori
  3. Come dovrebbero essere combinate le impurità dei bambini quando si valuta la suddivisione di un candidato?
    • Aggiungi i punteggi dei bambini senza considerare le dimensioni dei bambini
    • Prendi solo l'impurità del bambino più grande
    • Pesare ogni bambino in base alla sua quota di osservazioni dei genitori
    • Usa solo la purezza del bambino più piccolo
  4. Cosa rappresenta una diminuzione di Gini nella costruzione degli alberi?
    • La probabilità che una caratteristica sia causale
    • La frazione di etichette di addestramento previste in modo errato sui dati di test
    • Il numero di classi nella destinazione
    • Impurità del genitore meno impurità del figlio ponderata
  5. Per due classi ugualmente comuni in un nodo binario, qual è l'impurità Gini?
    • 0
    • 0,5
    • 0.25
    • 1
  6. Quale distinzione tra Gini ed entropia è accurata?
    • Entropy is a distance between predictor vectors
    • Gini evaluates held-out accuracy while entropy builds trees
    • They are different local impurity criteria with different scales
    • Gini is always numerically larger for every split
  7. A deep tree has nearly pure training leaves. What should be checked before concluding it generalizes well?
    • Whether every feature has a positive value
    • Whether every leaf has zero entropy only
    • The alphabetical order of class labels
    • Performance on appropriately held-out data
  8. What does node-local Gini impurity describe?
    • Class mixing among observations in that node
    • The global class balance in every dataset
    • The probability the fitted model is calibrated
    • Feature importance across all possible models