Gids-gekoppelde quiz · Middelmatig Niveau

Ensemblemethoden en quiz voor het stimuleren van gradiënt

Vergelijk bagging en boosting, residual fitting, shrinkage, regularisatie, gebruik van tabelgegevens en evaluatietools voor boom-ensembles.

Vraag 1 van 8

What is the core operation in an ensemble method?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. What is the core operation in an ensemble method?
    • Combining predictions from multiple models
    • Eén heel groot model gebruiken in plaats van veel kleine
    • Een model trainen op zoveel mogelijk gegevens
    • Het verwijderen van alle zwakke leerlingen uit een model
  2. How does gradient boosting differ from bagging in the usual training setup?
    • Boosting traint bomen parallel; Bagging traint ze opeenvolgend
    • Boosting adds learners sequentially; independently fitted bagging learners can be trained in parallel
    • Boosting werkt alleen op afbeeldingen; alleen op tekst inpakken
    • In de praktijk zijn ze identiek
  3. In gradient boosting, what target does a new tree approximate?
    • De originele onbewerkte labels
    • Slechts een willekeurige subset van de functies
    • The negative gradient of the current loss, often called a pseudo-residual
    • Het gemiddelde van alle voorgaande bomen
  4. What is a possible effect of using a smaller learning rate in boosting?
    • Om de grootte van elke boom te vergroten
    • Om bomen te verwijderen die slecht presteren
    • Bomen omzetten in neurale netwerken
    • 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
    • Afbeeldingen met hoge resolutie
    • Ruwe audiogolfvormen
    • Lange documenten in natuurlijke taal
  6. Wat is een gebruikelijke regularisatietechniek die wordt gebruikt om te voorkomen dat de boost overfitting veroorzaakt?
    • Het verwijderen van de verliesfunctie
    • Beperking van de boomdiepte en subsampling van rijen/kenmerken
    • Gebruik altijd een leersnelheid van precies 1,0
    • Oneindig veel bomen trainen
  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