앙상블 방법 및 그래디언트 부스팅 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. What is the core operation in an ensemble method?
   • Combining predictions from multiple models
   • 여러 개의 작은 모델 대신 하나의 매우 큰 모델 사용
   • 가능한 한 많은 데이터로 모델 훈련
   • 모델에서 모든 약한 학습자 제거
2. How does gradient boosting differ from bagging in the usual training setup?
   • 열차 트리를 병렬로 부스팅합니다. 배깅은 순차적으로 훈련시킵니다.
   • Boosting adds learners sequentially; independently fitted bagging learners can be trained in parallel
   • 부스팅은 이미지에서만 작동합니다. 텍스트로만 포장
   • 실제로는 동일합니다.
3. In gradient boosting, what target does a new tree approximate?
   • 원래 원시 라벨
   • 기능의 무작위 하위 집합
   • The negative gradient of the current loss, often called a pseudo-residual
   • 모든 이전 트리의 평균
4. What is a possible effect of using a smaller learning rate in boosting?
   • 각 트리의 크기를 늘리려면
   • 성능이 좋지 않은 트리를 삭제하려면
   • 나무를 신경망으로 변환하려면
   • 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
   • 고해상도 이미지
   • 원시 오디오 파형
   • 긴 자연어 문서
6. 과적합을 방지하기 위해 부스팅을 유지하는 데 사용되는 일반적인 정규화 기술은 무엇입니까?
   • 손실 함수 제거
   • 트리 깊이 제한 및 행/특성 서브샘플링
   • 항상 정확히 1.0의 학습률을 사용합니다.
   • 무한히 많은 나무를 훈련
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