의사결정 트리 및 랜덤 포레스트 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 의사결정나무는 어떻게 예측을 합니까?
   • 이미지의 모든 픽셀을 평균하여
   • 언어 간 텍스트 번역을 통해
   • 매번 무작위로 추측해서
   • 일련의 예/아니요 질문을 따라 잎사귀까지
2. 단일 심층 의사결정 트리의 주요 약점은 무엇입니까?
   • 숫자를 처리할 수 없습니다.
   • 훈련 데이터에 과적합되어 노이즈를 기억하는 경향이 있습니다.
   • 텍스트만 출력할 수 있습니다.
   • 실행하려면 GPU가 필요합니다.
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. 분류 트리는 분할을 선택하기 위해 일반적으로 어떤 측정항목을 사용합니까?
   • 픽셀 밝기
   • 지니 불순물 또는 엔트로피
   • 오디오 주파수
   • 단어 수
6. Which named system is described in the paper A Scalable Tree Boosting System?
   • 포토샵
   • FFmpeg
   • 쿠버네티스
   • XGBoost
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