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.

Связанные направляющие путиАлгоритм Xgboost
Вопрос 1 из 8

Как повышение градиента обычно строит предиктор?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

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