ガイド連動クイズ · 簡単 レベル

ディシジョン ツリーとランダム フォレストに関するクイズ

ツリー決定パス、過剰適合、アンサンブル集約、ブートストラップ サンプル、分割基準、ブースティング、ランダム特徴、および out-of-bag 評価を確認します。

関連するガイドパスデシジョン ツリーとランダム フォレスト
質問 1 の 8

デシジョン ツリーはどのように予測を行うのでしょうか?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. デシジョン ツリーはどのように予測を行うのでしょうか?
    • 画像内のすべてのピクセルを平均することによって
    • 言語間でテキストを翻訳することによって
    • 毎回ランダムに推測することで
    • 一連の「はい/いいえ」の質問をリーフまでたどることで、
  2. 単一の深いデシジョン ツリーの主な弱点は何ですか?
    • 数字は扱えない
    • 過剰適合し、トレーニング データ内のノイズを記憶する傾向があります
    • テキストのみ出力可能
    • 実行するにはGPUが必要です
  3. 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
  4. 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
  5. 分類ツリーは分割を選択するために一般的にどのようなメトリックを使用しますか?
    • ピクセルの明るさ
    • ジニ不純物またはエントロピー
    • 可聴周波数
    • 単語数
  6. Which named system is described in the paper A Scalable Tree Boosting System?
    • フォトショップ
    • FFmpeg
    • Kubernetes
    • XGブースト
  7. 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
  8. 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