แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบอัลกอริทึม XGBoost

ตรวจสอบตัวเลือกการเพิ่มแผนผังเพิ่มเติม วัตถุประสงค์และการทำให้เป็นมาตรฐาน การปรับแต่งการโต้ตอบ ข้อมูลที่ขาดหายไป และการประเมินที่ยุติธรรม

เส้นทางแนะนำที่เกี่ยวข้องอัลกอริทึม Xgboost
คำถาม 1 ของ 8

โดยทั่วไปการเสริมการไล่ระดับสีจะสร้างตัวทำนายได้อย่างไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. โดยทั่วไปการเสริมการไล่ระดับสีจะสร้างตัวทำนายได้อย่างไร
    • โดยการหาค่าเฉลี่ยต้นไม้อิสระโดยมีเป้าหมายที่เหมาะสมไม่เปลี่ยนแปลง
    • โดยเปลี่ยนต้นไม้เดิมให้หมดทุกรอบ
    • โดยการเพิ่มผู้เรียนตามลำดับเพื่อปรับปรุงวัตถุประสงค์ปัจจุบัน
    • โดยการปรับโครงสร้างต้นไม้แบบเต็มเชิงลึกเพียงต้นเดียวโดยไม่ต้องมีการอัปเดตเพิ่มเติม
  2. คู่พารามิเตอร์ใดที่รวบรวมข้อดีระหว่างขนาดของการอัปเดตแบบเพิ่มเติมแต่ละรายการและการอัปเดตจำนวนเท่าใด
    • ความลึกสูงสุดและน้ำหนักขั้นต่ำของเด็ก
    • อัตราการเรียนรู้และจำนวนรอบการส่งเสริม
    • การสุ่มตัวอย่างคอลัมน์และการสุ่มตัวอย่างแถว
    • การทำให้ใบไม้เป็นปกติและเกณฑ์การแยกส่วน
  3. บทลงโทษความซับซ้อนและการจำกัดโครงสร้างต้นไม้มีบทบาทอย่างไร?
    • พวกเขารับประกันว่าจะมีการสอบเทียบความน่าจะเป็นสำหรับประชากรทุกคน
    • พวกเขากำหนดป้ายกำกับความจริงพื้นฐานก่อนที่จะติดตั้ง
    • สิ่งเหล่านี้มาแทนที่ความจำเป็นในการวัดประสิทธิภาพที่ค้างอยู่
    • สิ่งเหล่านี้จำกัดความซับซ้อนของโมเดลและสามารถลดการโอเวอร์ฟิตได้
  4. เหตุใดการหยุดก่อนกำหนดจึงต้องมีการประเมินการทดสอบขั้นสุดท้ายแยกต่างหาก
    • เมทริกการตรวจสอบความถูกต้องที่ได้รับการตรวจสอบมีส่วนร่วมในการเลือกการวนซ้ำ
    • การหยุดก่อนกำหนดจะทำให้ชุดการตรวจสอบความถูกต้องไม่ได้ใช้ในระหว่างการเลือก
    • ควรเลือกรอบหยุดโดยตรงจากผลการทดสอบขั้นสุดท้าย
    • จุดหยุดที่เลือกจะรับประกันประสิทธิภาพของประชากรกลุ่มหลัง
  5. การอ้างสิทธิ์ใดเกี่ยวกับ XGBoost บนข้อมูลแบบตารางนั้นสมเหตุสมผล
    • มันเหนือกว่าทุกบรรทัดฐานเสมอ
    • มันไม่จำเป็นต้องแบ่งข้อมูล
    • อาจเป็นตัวเลือกที่แข็งแกร่ง แต่ประสิทธิภาพขึ้นอยู่กับงานและการประเมินผล
    • รับประกันความแม่นยำในการผลิตจากผลลัพธ์ของลีดเดอร์บอร์ด
  6. เหตุใดจึงต้องบันทึกเวอร์ชันและวัตถุประสงค์ของไลบรารีด้วยโมเดลที่ได้รับการฝึกอบรมแล้ว
    • ชื่ออัลกอริทึมเพียงอย่างเดียวจะแก้ไขค่าเริ่มต้นทั้งหมดในรุ่นต่างๆ
    • ลักษณะการทำงานและตัวเลือกที่ใช้ได้อาจแตกต่างกันไปตามเวอร์ชันและการตั้งค่างาน
    • วัตถุประสงค์แทนที่ความจำเป็นในการบันทึกการแยกข้อมูล
    • การสนับสนุนค่าที่หายไปดั้งเดิมจะกำหนดความหมายของค่าที่หายไปทั้งหมด
  7. เมื่อใดที่การตั้งค่าการสุ่มตัวอย่างย่อยของแถวหรือคุณลักษณะจะถูกเลือกให้มีการป้องกันมากที่สุด
    • โดยสมมติว่าการสุ่มตัวอย่างใดๆ ช่วยเพิ่มความแม่นยำ
    • โดยเลือกเทียบกับฉลากทดสอบขั้นสุดท้าย
    • โดยตั้งค่าโดยไม่คำนึงถึงขนาดข้อมูล
    • โดยการวัดภายในโปรโตคอลการตรวจสอบ
  8. ในช่วงเวลาการฝึกอบรมและการอนุมาน สิ่งใดควรคงความสม่ำเสมอเกี่ยวกับอินพุตของโมเดล
    • รักษารูปแบบคุณลักษณะและค่าที่ขาดหายไปให้สอดคล้องกับการฝึกอบรม
    • กำหนดรหัสหมวดหมู่ใหม่อย่างเป็นอิสระหลังจากการปรับใช้
    • คำนวณการแปลงฟีเจอร์ที่เรียนรู้ใหม่แยกกันสำหรับแต่ละชุดการอนุมานโดยไม่มีการตรวจสอบ
    • เปลี่ยนความหมายของค่าที่หายไปโดยยังคงรักษาสิ่งประดิษฐ์ของโมเดลเดิมไว้