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.
- 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
- 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
- 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
- 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
- Welke maatstaf gebruiken classificatiebomen gewoonlijk om een splitsing te kiezen?
- Pixelhelderheid
- Gini-onzuiverheid of entropie
- Audiofrequentie
- Aantal woorden
- Which named system is described in the paper A Scalable Tree Boosting System?
- Photoshoppen
- FFmpeg
- Kubernetes
- XGBoost
- 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
- 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