Викторина, связанная с руководством · Средний Уровень
Тест по биннингу и дискретизации
Тестирует интервалы равной ширины и квантилей, точки отсечения с учетом цели, потерю информации и аппроксимацию, используемую при обучении деревьев на основе гистограмм.
Вопрос 1 из 8
Как для функции дохода с сильным перекосом, как при равной ширине и квантильном группировании границы распределяются по-разному?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Как для функции дохода с сильным перекосом, как при равной ширине и квантильном группировании границы распределяются по-разному?
- Биннинг одинаковой ширины делит диапазон на интервалы одинакового размера, тогда как квантильный бининг выбирает границы так, чтобы каждый интервал имел примерно одинаковое количество точек данных.
- При группировании одинаковой ширины используется целевая метка, при группировании квантилей — нет.
- Это два названия одного и того же метода
- Квантильное биннинг может применяться только к категориальным переменным.
- Что отличает контролируемое группирование от группирования равной ширины или квантиля?
- вообще не требует данных
- Он может производить только два контейнера
- Он выбирает границы интервалов, используя целевую метку, чтобы лучше разделить результаты.
- Он идентичен биннингу равной ширины, но переименован
- К какому распределению количества выборок может привести применение интервалов одинаковой ширины к асимметричному объекту?
- Всегда требуются контролируемые метки.
- Некоторые контейнеры могут оказаться почти пустыми, а другие переполнены, если данные распределены неравномерно.
- Его нельзя вычислить для числовых переменных.
- Это более затратно в вычислительном отношении, чем квантильное группирование.
- Как биннинг может позволить линейной модели отразить нелинейную связь между переменной и результатом?
- Полностью удалив переменную из модели
- Путем преобразования линейной модели в дерево решений
- Требуя, чтобы переменная была нормально распределена
- Присвоив каждому интервалу собственный коэффициент, эффективно создав зависимость ступенчатой функции.
- После того как два значения сопоставлены с одним и тем же интервалом, какую деталь модель больше не сможет отличить от этого признака?
- Это увеличивает вычислительные затраты каждой модели.
- Значения в одном интервале становятся неразличимыми для модели.
- Это требует сбора большего количества обучающих данных.
- Он удаляет целевую переменную из набора данных
- Какое заблуждение относительно древовидных моделей и группирования исправляет данное руководство?
- Современные алгоритмы повышения градиента уже обрабатывают непрерывные разделения внутри себя и часто не нуждаются в предварительном объединении при разработке функций.
- Это объединение необходимо для обучения любой модели дерева.
- Деревья вообще не могут использовать непрерывные переменные.
- Такое объединение всегда повышает точность модели дерева.
- Что в основном дает использование конечного набора ячеек объектов в программе обучения деревьям на основе гистограмм?
- Сделать модель более интерпретируемой для человека.
- Соблюдать финансовые правила
- Чтобы заменить необходимость в функции потерь
- В качестве оптимизации скорости вычислений, которая аппроксимирует непрерывные разделения с фиксированным количеством сегментов.
- Почему команда, занимающаяся составлением кредитных карточек, может выбирать явные диапазоны риска, хотя ни одно универсальное правило не требует группирования?
- Потому что каждое кредитное регулирование требует использования контейнеров одинаковой ширины.
- Чтобы сохранить каждое точное значение для модели
- Для облегчения обмена информацией или просмотра грубой группы рисков
- Поскольку биннинг гарантирует более высокую точность прогнозирования.