แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบ Binning และ Discretization
ทดสอบถังที่มีความกว้างเท่ากันและควอนไทล์ จุดตัดที่แจ้งเป้าหมาย การสูญหายของข้อมูล และการประมาณที่ใช้โดยผู้เรียนต้นไม้ที่ใช้ฮิสโตแกรม
คำถาม 1 ของ 8
สำหรับคุณลักษณะรายได้ที่บิดเบือนอย่างมาก Binning ที่มีความกว้างเท่ากันและควอนไทล์จะวางขอบเขตต่างกันอย่างไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- สำหรับคุณลักษณะรายได้ที่บิดเบือนอย่างมาก Binning ที่มีความกว้างเท่ากันและควอนไทล์จะวางขอบเขตต่างกันอย่างไร
- Binning ที่มีความกว้างเท่ากันจะแบ่งช่วงออกเป็นช่วงที่มีขนาดเท่ากัน ในขณะที่ Quantile Binning จะเลือกขอบเขต เพื่อให้แต่ละ Bin มีจุดข้อมูลประมาณเท่ากัน
- Binning ที่มีความกว้างเท่ากันจะใช้ป้ายกำกับเป้าหมาย แต่ Binning แบบควอนไทล์ไม่ได้ใช้
- เป็นสองชื่อสำหรับวิธีการเดียวกัน
- Quantile Binning สามารถนำไปใช้กับตัวแปรหมวดหมู่เท่านั้น
- อะไรที่ทำให้ Binning แบบมีผู้ดูแลแตกต่างจาก Binning ที่มีความกว้างเท่ากันหรือแบบควอนไทล์
- มันไม่จำเป็นต้องมีข้อมูลเลย
- สามารถผลิตได้เพียงสองถังเท่านั้น
- โดยจะเลือกขอบเขตของถังขยะโดยใช้ป้ายกำกับเป้าหมายเพื่อแยกผลลัพธ์ที่ดีที่สุด
- มันเหมือนกันกับ binning ที่มีความกว้างเท่ากัน แต่เปลี่ยนชื่อแล้ว
- เมื่อใช้ถังที่มีความกว้างเท่ากันกับส่วนที่บิดเบี้ยว จะทำให้เกิดการกระจายตัวของจำนวนตัวอย่างเท่าใด
- มันต้องมีป้ายกำกับที่มีการดูแลเสมอ
- ถังขยะบางอันอาจเกือบจะว่างเปล่าในขณะที่บางถังขยะจะแน่นเกินไปหากข้อมูลไม่ได้รับการกระจายอย่างสม่ำเสมอ
- ไม่สามารถคำนวณเป็นตัวแปรตัวเลขได้
- มีราคาแพงกว่าการคำนวณแบบควอนไทล์
- binning ปล่อยให้โมเดลเชิงเส้นจับความสัมพันธ์ที่ไม่เชิงเส้นระหว่างตัวแปรกับผลลัพธ์ได้อย่างไร
- โดยการลบตัวแปรออกจากโมเดลโดยสิ้นเชิง
- โดยการแปลงโมเดลเชิงเส้นให้เป็นแผนผังการตัดสินใจ
- โดยกำหนดให้ตัวแปรต้องกระจายตามปกติ
- โดยให้แต่ละถังมีค่าสัมประสิทธิ์ของตัวเอง ทำให้เกิดความสัมพันธ์ระหว่างขั้นตอนและฟังก์ชันได้อย่างมีประสิทธิภาพ
- หลังจากที่แมปค่าสองค่ากับถังเดียวกัน รายละเอียดใดที่แบบจำลองไม่สามารถแยกความแตกต่างจากคุณลักษณะนั้นได้อีกต่อไป
- มันเพิ่มต้นทุนการคำนวณของทุกรุ่น
- ค่าภายในถังเดียวกันจะแยกไม่ออกจากโมเดล
- จำเป็นต้องรวบรวมข้อมูลการฝึกอบรมเพิ่มเติม
- มันจะลบตัวแปรเป้าหมายออกจากชุดข้อมูล
- ความเข้าใจผิดเกี่ยวกับโมเดลแบบต้นไม้และ Binning คืออะไรที่คำแนะนำนี้ถูกต้อง
- อัลกอริธึมการเร่งการไล่ระดับสีสมัยใหม่นั้นจัดการการแยกอย่างต่อเนื่องภายในอยู่แล้ว และมักจะไม่จำเป็นต้องมีการรวมล่วงหน้าเป็นวิศวกรรมฟีเจอร์
- การผูกมัดนั้นจำเป็นสำหรับการฝึกโมเดลต้นไม้ใดๆ
- ต้นไม้นั้นไม่สามารถใช้ตัวแปรต่อเนื่องได้เลย
- การ binning นั้นจะช่วยปรับปรุงความแม่นยำของแบบจำลองต้นไม้อยู่เสมอ
- ในผู้เรียนต้นไม้ที่ใช้ฮิสโตแกรม การใช้ชุดฟีเจอร์ที่มีขอบเขตจำกัดมีการแลกเปลี่ยนอะไรเป็นหลัก
- เพื่อให้แบบจำลองสามารถตีความได้กับมนุษย์มากขึ้น
- เพื่อให้สอดคล้องกับกฎระเบียบทางการเงิน
- เพื่อทดแทนฟังก์ชั่นการสูญเสีย
- เป็นการเพิ่มประสิทธิภาพความเร็วการคำนวณที่ประมาณการแบ่งอย่างต่อเนื่องด้วยจำนวนที่เก็บข้อมูลคงที่
- เหตุใดทีมดัชนีชี้วัดเครดิตจึงอาจเลือกระดับความเสี่ยงที่ชัดเจน แม้ว่ากฎสากลจะไม่กำหนดให้มีการผูกมัดก็ตาม
- เนื่องจากกฎระเบียบด้านเครดิตทุกฉบับกำหนดให้ช่องที่มีความกว้างเท่ากัน
- เพื่อรักษาทุกค่าที่แน่นอนสำหรับโมเดล
- เพื่อสื่อสารหรือทบทวนการจัดกลุ่มความเสี่ยงแบบหยาบได้ง่ายขึ้น
- เนื่องจาก Binning รับประกันความแม่นยำในการทำนายที่สูงขึ้น