Kaedah Ensembel dan Kuiz Peningkatan Kecerunan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. What is the core operation in an ensemble method?
   • Combining predictions from multiple models
   • Menggunakan satu model yang sangat besar dan bukannya banyak yang kecil
   • Melatih model pada data sebanyak mungkin
   • Mengeluarkan semua pelajar yang lemah daripada model
2. How does gradient boosting differ from bagging in the usual training setup?
   • Meningkatkan melatih pokok secara selari; beg melatih mereka secara berurutan
   • Boosting adds learners sequentially; independently fitted bagging learners can be trained in parallel
   • Peningkatan hanya berfungsi pada imej; membungkus hanya pada teks
   • Mereka adalah sama dalam amalan
3. In gradient boosting, what target does a new tree approximate?
   • Label mentah asal
   • Subset rawak ciri sahaja
   • The negative gradient of the current loss, often called a pseudo-residual
   • Purata semua pokok sebelumnya
4. What is a possible effect of using a smaller learning rate in boosting?
   • Untuk menambah saiz setiap pokok
   • Untuk memadam pokok yang berprestasi buruk
   • Untuk menukar pokok kepada rangkaian saraf
   • 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
   • Imej resolusi tinggi
   • Bentuk gelombang audio mentah
   • Dokumen bahasa semula jadi yang panjang
6. Yang manakah merupakan teknik regularisasi yang biasa digunakan untuk mengekalkan peningkatan daripada overfitting?
   • Mengeluarkan fungsi kehilangan
   • Mengehadkan kedalaman pokok dan subsampling baris/ciri
   • Menggunakan kadar pembelajaran tepat 1.0 sentiasa
   • Melatih tak terhingga banyak pokok
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