แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบ Binning และ Discretization

ทดสอบถังที่มีความกว้างเท่ากันและควอนไทล์ จุดตัดที่แจ้งเป้าหมาย การสูญหายของข้อมูล และการประมาณที่ใช้โดยผู้เรียนต้นไม้ที่ใช้ฮิสโตแกรม

เส้นทางแนะนำที่เกี่ยวข้องBinning และ Discretization
คำถาม 1 ของ 8

สำหรับคุณลักษณะรายได้ที่บิดเบือนอย่างมาก Binning ที่มีความกว้างเท่ากันและควอนไทล์จะวางขอบเขตต่างกันอย่างไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. สำหรับคุณลักษณะรายได้ที่บิดเบือนอย่างมาก Binning ที่มีความกว้างเท่ากันและควอนไทล์จะวางขอบเขตต่างกันอย่างไร
    • Binning ที่มีความกว้างเท่ากันจะแบ่งช่วงออกเป็นช่วงที่มีขนาดเท่ากัน ในขณะที่ Quantile Binning จะเลือกขอบเขต เพื่อให้แต่ละ Bin มีจุดข้อมูลประมาณเท่ากัน
    • Binning ที่มีความกว้างเท่ากันจะใช้ป้ายกำกับเป้าหมาย แต่ Binning แบบควอนไทล์ไม่ได้ใช้
    • เป็นสองชื่อสำหรับวิธีการเดียวกัน
    • Quantile Binning สามารถนำไปใช้กับตัวแปรหมวดหมู่เท่านั้น
  2. อะไรที่ทำให้ Binning แบบมีผู้ดูแลแตกต่างจาก Binning ที่มีความกว้างเท่ากันหรือแบบควอนไทล์
    • มันไม่จำเป็นต้องมีข้อมูลเลย
    • สามารถผลิตได้เพียงสองถังเท่านั้น
    • โดยจะเลือกขอบเขตของถังขยะโดยใช้ป้ายกำกับเป้าหมายเพื่อแยกผลลัพธ์ที่ดีที่สุด
    • มันเหมือนกันกับ binning ที่มีความกว้างเท่ากัน แต่เปลี่ยนชื่อแล้ว
  3. เมื่อใช้ถังที่มีความกว้างเท่ากันกับส่วนที่บิดเบี้ยว จะทำให้เกิดการกระจายตัวของจำนวนตัวอย่างเท่าใด
    • มันต้องมีป้ายกำกับที่มีการดูแลเสมอ
    • ถังขยะบางอันอาจเกือบจะว่างเปล่าในขณะที่บางถังขยะจะแน่นเกินไปหากข้อมูลไม่ได้รับการกระจายอย่างสม่ำเสมอ
    • ไม่สามารถคำนวณเป็นตัวแปรตัวเลขได้
    • มีราคาแพงกว่าการคำนวณแบบควอนไทล์
  4. binning ปล่อยให้โมเดลเชิงเส้นจับความสัมพันธ์ที่ไม่เชิงเส้นระหว่างตัวแปรกับผลลัพธ์ได้อย่างไร
    • โดยการลบตัวแปรออกจากโมเดลโดยสิ้นเชิง
    • โดยการแปลงโมเดลเชิงเส้นให้เป็นแผนผังการตัดสินใจ
    • โดยกำหนดให้ตัวแปรต้องกระจายตามปกติ
    • โดยให้แต่ละถังมีค่าสัมประสิทธิ์ของตัวเอง ทำให้เกิดความสัมพันธ์ระหว่างขั้นตอนและฟังก์ชันได้อย่างมีประสิทธิภาพ
  5. หลังจากที่แมปค่าสองค่ากับถังเดียวกัน รายละเอียดใดที่แบบจำลองไม่สามารถแยกความแตกต่างจากคุณลักษณะนั้นได้อีกต่อไป
    • มันเพิ่มต้นทุนการคำนวณของทุกรุ่น
    • ค่าภายในถังเดียวกันจะแยกไม่ออกจากโมเดล
    • จำเป็นต้องรวบรวมข้อมูลการฝึกอบรมเพิ่มเติม
    • มันจะลบตัวแปรเป้าหมายออกจากชุดข้อมูล
  6. ความเข้าใจผิดเกี่ยวกับโมเดลแบบต้นไม้และ Binning คืออะไรที่คำแนะนำนี้ถูกต้อง
    • อัลกอริธึมการเร่งการไล่ระดับสีสมัยใหม่นั้นจัดการการแยกอย่างต่อเนื่องภายในอยู่แล้ว และมักจะไม่จำเป็นต้องมีการรวมล่วงหน้าเป็นวิศวกรรมฟีเจอร์
    • การผูกมัดนั้นจำเป็นสำหรับการฝึกโมเดลต้นไม้ใดๆ
    • ต้นไม้นั้นไม่สามารถใช้ตัวแปรต่อเนื่องได้เลย
    • การ binning นั้นจะช่วยปรับปรุงความแม่นยำของแบบจำลองต้นไม้อยู่เสมอ
  7. ในผู้เรียนต้นไม้ที่ใช้ฮิสโตแกรม การใช้ชุดฟีเจอร์ที่มีขอบเขตจำกัดมีการแลกเปลี่ยนอะไรเป็นหลัก
    • เพื่อให้แบบจำลองสามารถตีความได้กับมนุษย์มากขึ้น
    • เพื่อให้สอดคล้องกับกฎระเบียบทางการเงิน
    • เพื่อทดแทนฟังก์ชั่นการสูญเสีย
    • เป็นการเพิ่มประสิทธิภาพความเร็วการคำนวณที่ประมาณการแบ่งอย่างต่อเนื่องด้วยจำนวนที่เก็บข้อมูลคงที่
  8. เหตุใดทีมดัชนีชี้วัดเครดิตจึงอาจเลือกระดับความเสี่ยงที่ชัดเจน แม้ว่ากฎสากลจะไม่กำหนดให้มีการผูกมัดก็ตาม
    • เนื่องจากกฎระเบียบด้านเครดิตทุกฉบับกำหนดให้ช่องที่มีความกว้างเท่ากัน
    • เพื่อรักษาทุกค่าที่แน่นอนสำหรับโมเดล
    • เพื่อสื่อสารหรือทบทวนการจัดกลุ่มความเสี่ยงแบบหยาบได้ง่ายขึ้น
    • เนื่องจาก Binning รับประกันความแม่นยำในการทำนายที่สูงขึ้น