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.

Связанные направляющие путиБиннинг и дискретизация
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.

  1. 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.
  2. 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
  3. 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.
  4. 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.
  5. 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
  6. 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.
  7. 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.
  8. 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.