Викторина, связанная с руководством · Жесткий Уровень
Викторина по алгоритму XGBoost
Просмотрите аддитивное повышение дерева XGBoost, выбор целей и регуляризации, настройку взаимодействия, недостающие данные и справедливую оценку.
Вопрос 1 из 8
Как повышение градиента обычно строит предиктор?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Как повышение градиента обычно строит предиктор?
- Путем усреднения независимых деревьев с неизмененными целями подгонки
- Полностью заменяя предыдущие деревья в каждом раунде.
- Путем последовательного добавления учащихся для улучшения текущей цели
- Оптимизируя одно дерево полной глубины без дополнительных обновлений.
- Какая пара параметров отражает компромисс между размером каждого аддитивного обновления и количеством сделанных обновлений?
- Максимальная глубина и минимальный вес ребенка
- Скорость обучения и количество раундов повышения
- Подвыборка столбцов и подвыборка строк
- Регуляризация листьев и порог разделения усиления
- Какую роль играют штрафы за сложность и ограничения деревьев?
- Они гарантируют, что вероятности калибруются для каждой популяции.
- Они определяют основные ярлыки перед установкой
- Они заменяют необходимость измерения продолжительной производительности.
- Они ограничивают сложность модели и могут уменьшить переобучение.
- Почему досрочная остановка требует отдельной итоговой оценки теста?
- Контролируемая метрика проверки участвует в выборе итерации
- Ранняя остановка делает набор проверки неиспользованным во время выбора.
- Остановочные раунды должны выбираться непосредственно по результатам финального теста.
- Выбранная точка остановки гарантирует производительность при любой последующей популяции.
- Какое утверждение о XGBoost в отношении табличных данных оправдано?
- Он всегда превосходит все базовые показатели
- Он не требует разделения данных
- Это может быть сильным кандидатом, но производительность зависит от задачи и оценки.
- Это гарантирует точность производства на основе результатов таблицы лидеров.
- Зачем записывать версию и цель библиотеки с помощью обученной модели?
- Одно только имя алгоритма исправляет все значения по умолчанию в разных выпусках.
- Поведение и доступные параметры могут различаться в зависимости от версии и настройки задачи.
- Цель заменяет необходимость записи разделения данных
- Встроенная поддержка пропущенных значений определяет, что означает каждое пропущенное значение.
- Когда наиболее оправданно выбирать настройки субвыборки строк или объектов?
- Если предположить, что любая подвыборка повышает точность
- Путем выбора среди окончательных тестовых этикеток
- Устанавливая их без учета размера данных
- Измеряя их в рамках протокола проверки
- Что должно оставаться неизменным во время обучения и вывода модели?
- Соблюдайте соглашения о функциях и отсутствующих значениях в соответствии с обучением.
- Назначайте новые коды категорий независимо после развертывания.
- Пересчитать преобразования изученных признаков отдельно для каждого пакета вывода без проверки.
- Измените значение пропущенных значений, сохранив тот же артефакт модели.