アンサンブル手法と勾配ブースティングのクイズ

クイズに答えると、答えと解説が表示されます。

1. What is the core operation in an ensemble method?
   • Combining predictions from multiple models
   • 多数の小さなモデルの代わりに 1 つの非常に大きなモデルを使用する
   • できるだけ多くのデータを使用してモデルをトレーニングする
   • モデルからすべての弱学習器を削除する
2. How does gradient boosting differ from bagging in the usual training setup?
   • ブーストはツリーを並列に訓練します。バギングはそれらを順番にトレーニングします
   • Boosting adds learners sequentially; independently fitted bagging learners can be trained in parallel
   • ブーストは画像に対してのみ機能します。テキストのみをバギングする
   • 実際には同じです
3. In gradient boosting, what target does a new tree approximate?
   • オリジナル生ラベル
   • 特徴のランダムなサブセットのみ
   • The negative gradient of the current loss, often called a pseudo-residual
   • 以前のすべてのツリーの平均
4. What is a possible effect of using a smaller learning rate in boosting?
   • 各ツリーのサイズを大きくするには
   • パフォーマンスが低いツリーを削除するには
   • ツリーをニューラル ネットワークに変換するには
   • 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
   • 高解像度の画像
   • 生のオーディオ波形
   • 長い自然言語ドキュメント
6. ブースティングが過剰適合しないようにするために使用される一般的な正則化手法はどれですか?
   • 損失関数の削除
   • ツリーの深さの制限と行/特徴のサブサンプリング
   • 常に正確に 1.0 の学習率を使用する
   • 無限に多くの木を訓練する
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