Gids-gekoppelde quiz · Gemakkelijk Niveau

Beslissingsbomen en willekeurige bossenquiz

Bekijk boombeslissingspaden, overfitting, ensemble-aggregatie, bootstrap-voorbeelden, splitscriteria, boosting, willekeurige functies en out-of-bag-evaluatie.

Vraag 1 van 8

Hoe doet een beslisboom een ​​voorspelling?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Hoe doet een beslisboom een ​​voorspelling?
    • Door alle pixels in een afbeelding te middelen
    • Door tekst tussen talen te vertalen
    • Door elke keer willekeurig te raden
    • Door een reeks ja/nee-vragen tot op een blad te volgen
  2. Wat is de belangrijkste zwakte van één enkele, diepe beslissingsboom?
    • Het kan niet overweg met cijfers
    • Het heeft de neiging om ruis in de trainingsgegevens te overbelasten en te onthouden
    • Het kan alleen tekst uitvoeren
    • Er is een GPU nodig om te kunnen werken
  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. Welke maatstaf gebruiken classificatiebomen gewoonlijk om een splitsing te kiezen?
    • Pixelhelderheid
    • Gini-onzuiverheid of entropie
    • Audiofrequentie
    • Aantal woorden
  6. Which named system is described in the paper A Scalable Tree Boosting System?
    • Photoshoppen
    • FFmpeg
    • Kubernetes
    • 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