แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

วิธีการทั้งมวลและแบบทดสอบการเพิ่มการไล่ระดับสี

เปรียบเทียบการบรรจุถุงและการเพิ่ม การปรับส่วนที่เหลือ การหดตัว การทำให้เป็นมาตรฐาน การใช้ข้อมูลแบบตาราง และเครื่องมือประเมินสำหรับชุดต้นไม้

คำถาม 1 ของ 8

การดำเนินการหลักในวิธีการทั้งมวลคืออะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การดำเนินการหลักในวิธีการทั้งมวลคืออะไร?
    • Combining predictions from multiple models
    • ใช้โมเดลขนาดใหญ่มากตัวเดียวแทนโมเดลขนาดเล็กหลายๆ ตัว
    • ฝึกอบรมโมเดลเกี่ยวกับข้อมูลให้ได้มากที่สุด
    • การลบผู้เรียนที่อ่อนแอทั้งหมดออกจากแบบจำลอง
  2. การเพิ่มความลาดชันแตกต่างจากการบรรจุถุงในการฝึกซ้อมตามปกติอย่างไร
    • ส่งเสริมต้นไม้รถไฟแบบคู่ขนาน การบรรจุถุงจะฝึกพวกมันตามลำดับ
    • Boosting adds learners sequentially; independently fitted bagging learners can be trained in parallel
    • การเพิ่มประสิทธิภาพใช้ได้กับรูปภาพเท่านั้น บรรจุถุงเฉพาะข้อความเท่านั้น
    • พวกเขาเหมือนกันในทางปฏิบัติ
  3. ในการเพิ่มระดับความลาดชัน ต้นไม้ใหม่จะประมาณเป้าหมายใด
    • ฉลากดิบดั้งเดิม
    • ชุดย่อยแบบสุ่มของคุณสมบัติเท่านั้น
    • The negative gradient of the current loss, often called a pseudo-residual
    • ค่าเฉลี่ยของต้นไม้ก่อนหน้านี้ทั้งหมด
  4. อะไรคือผลกระทบที่เป็นไปได้ของการใช้อัตราการเรียนรู้ที่น้อยลงในการส่งเสริม?
    • เพื่อเพิ่มขนาดของต้นไม้แต่ละต้น
    • เพื่อลบต้นไม้ที่มีประสิทธิภาพต่ำ
    • เพื่อแปลงต้นไม้ให้เป็นโครงข่ายประสาทเทียม
    • It can make updates more gradual and may require more trees
  5. ข้อมูลประเภทใดที่ใช้ในตัวอย่างและการศึกษาต้นไม้ที่มีการไล่ระดับสีที่อ้างถึง
    • Structured or tabular data
    • ภาพที่มีความละเอียดสูง
    • รูปคลื่นเสียงดิบ
    • เอกสารภาษาธรรมชาติขนาดยาว
  6. ข้อใดเป็นเทคนิคการทำให้เป็นมาตรฐานทั่วไปที่ใช้เพื่อป้องกันไม่ให้มีการติดตั้งมากเกินไป
    • การลบฟังก์ชันการสูญเสีย
    • การจำกัดความลึกของแผนผังและการสุ่มตัวอย่างแถว/คุณลักษณะ
    • โดยใช้อัตราการเรียนรู้ 1.0 เป๊ะๆ เสมอ
    • ฝึกฝนต้นไม้มากมายนับไม่ถ้วน
  7. What does an out-of-bag score estimate in a bagged tree ensemble?
    • The accuracy on examples used by every tree
    • The number of leaves in the largest tree
    • Generalization performance using training examples omitted from a tree’s bootstrap sample
    • The learning rate of a gradient-boosted model
  8. What does early stopping monitor during gradient-boosting training?
    • Only the training-set row order
    • Whether the model has no trees left
    • The number of categorical columns in a spreadsheet
    • A validation metric and stops adding trees when it no longer improves