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.
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.
- 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
- Quale valore descrive l'impurità in un nodo contenente solo una classe?
- 0,5
- 0
- 1
- Dipende dal numero di predittori
- 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
- 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
- Per due classi ugualmente comuni in un nodo binario, qual è l'impurità Gini?
- 0
- 0,5
- 0.25
- 1
- 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
- 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
- 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