Questionário vinculado ao guia · Fácil Nível

Questionário sobre árvores de decisão e florestas aleatórias

Revise os caminhos de decisão da árvore, overfitting, agregação de conjuntos, amostras de bootstrap, critérios de divisão, reforço, recursos aleatórios e avaliação pronta para uso.

Caminhos de guia relacionadosÁrvores de decisão e florestas aleatórias
Pergunta 1 de 8

Como uma árvore de decisão faz uma previsão?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Como uma árvore de decisão faz uma previsão?
    • Calculando a média de todos os pixels em uma imagem
    • Traduzindo texto entre idiomas
    • Adivinhando aleatoriamente cada vez
    • Seguindo uma série de perguntas sim/não até uma folha
  2. Qual é o principal ponto fraco de uma árvore de decisão única e profunda?
    • Não consegue lidar com números
    • Tende a superajustar e memorizar ruído nos dados de treinamento
    • Ele só pode gerar texto
    • Requer uma GPU para funcionar
  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. Que métrica as árvores de classificação normalmente usam para escolher uma divisão?
    • Brilho de pixels
    • Impureza ou entropia de Gini
    • Frequência de áudio
    • Contagem de palavras
  6. Which named system is described in the paper A Scalable Tree Boosting System?
    • Photoshop
    • 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