Quiz AdaBoost

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. W jaki sposób słabi uczniowie AdaBoost są zazwyczaj szkoleni względem siebie?
   • Niezależnie przy niezmienionych masach próbek
   • Wszystko na raz przy użyciu jednej wspólnej, nieważonej straty
   • Kolejno, z późniejszymi rundami dostosowującymi się do wcześniejszych błędów
   • Zatrzymując tylko ostatniego ucznia i odrzucając poprzednie rundy
2. Kiedy uczeń błędnie zaklasyfikuje przykład, co zwykle dzieje się z jego względną wagą treningową?
   • Staje się identyczny z głosem zespołu ucznia
   • Zwiększa się w kolejnej rundzie
   • Jest trwale usuwany po pierwszej błędnej klasyfikacji
   • Przed każdą kolejną rundą jest resetowany do tej samej wagi
3. W klasycznym sformułowaniu binarnym, jaki rodzaj błędu ważonego zapewnia użyteczny pozytywny głos ucznia?
   • Błąd większy niż połowa
   • Każdy błąd, ponieważ waga zestawu jest zawsze dodatnia
   • Błąd mierzony tylko na końcowym zestawie testowym
   • Błąd ważony poniżej połowy
4. Dlaczego błędnie oznaczone wartości odstające mogą być problematyczne dla AdaBoost?
   • Mogą nadal otrzymywać zwiększoną wagę
   • Ponowne ważenie udowadnia, że ich etykiety muszą być prawidłowe
   • Każdy kikut automatycznie usuwa przykłady z niespójnymi etykietami
   • Powtarzane rundy gwarantują, że takie przykłady nie mają wpływu
5. Pod jakim pseudonimem znane jest jednoczęściowe drzewo decyzyjne?
   • Las decyzji
   • Oddział decyzyjny
   • Decyzja, kikut
   • Zespół decyzyjny
6. Co łączy sekwencję uczniów w ostateczną prognozę AdaBoost?
   • Tylko przepowiednia ostatniego ucznia
   • Ważone głosowanie na temat ich wyników
   • Głos o koniecznie równej wadze dla każdego ucznia
   • Przewidywanie ucznia przeszkolonego wyłącznie na największym podzbiorze
7. Co powinien sprawdzić praktyk, gdy kilka przykładów w rundach pozostaje trudnych?
   • Czy sama wysoka waga dowodzi, że każdy przypadek jest błędnie oznakowany
   • Czy wszystkie trudne przypadki powinny być automatycznie usuwane
   • Czy zwiększenie rund gwarantuje, że wszystkie przypadki staną się reprezentatywne
   • Niezależnie od tego, czy są one ważne, błędnie oznakowane lub niezgodne z przeznaczeniem
8. Które stwierdzenie dotyczące większej liczby rund wzmacniających jest uzasadnione?
   • Więcej rund nie gwarantuje lepszego uogólnienia
   • Niższy błąd uczenia gwarantuje niższy błąd w przyszłości
   • Powtarzane ważenie gwarantuje korektę zaszumionych etykiet
   • Duży zespół eliminuje potrzebę wyczekiwania na ocenę