Karar Ağaçları ve Rastgele Ormanlar Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Karar ağacı nasıl tahmin yapar?
   • Bir görüntüdeki tüm piksellerin ortalamasını alarak
   • Diller arasında metin çevirerek
   • Her seferinde rastgele tahmin ederek
   • Bir yaprağa kadar bir dizi evet/hayır sorusunu takip ederek
2. Tek ve derin bir karar ağacının temel zayıflığı nedir?
   • Sayılarla baş edemiyor
   • Eğitim verilerindeki gürültüyü fazla takma ve ezberleme eğilimindedir
   • Yalnızca metin çıktısı alabilir
   • Çalıştırılması için GPU gerekiyor
3. How does a random forest combine the predictions of its constituent trees?
   • By aggregating predictions, such as class votes or probabilities
   • By using exactly one tree and discarding every other output
   • By converting all trees into one fixed training row
   • By guaranteeing that all individual errors cancel
4. What sampling operation does bagging use when constructing conventional bootstrap training sets?
   • Sorting rows only by filename
   • Permanently deleting all numerical features
   • Drawing training rows with replacement
   • Assigning exactly one unique row to every tree
5. Sınıflandırma ağaçları bir bölünmeyi seçmek için yaygın olarak hangi metriği kullanır?
   • Piksel parlaklığı
   • Gini safsızlığı veya entropisi
   • Ses frekansı
   • Kelime sayısı
6. Which named system is described in the paper A Scalable Tree Boosting System?
   • Photoshop
   • FFmpeg
   • Kubernet'ler
   • XGBoost
7. Which random-forest mechanism varies candidate input features at a split rather than resampling training rows?
   • Bootstrap row sampling alone
   • Alphabetical label sorting
   • Random feature-subset selection
   • A guarantee of identical splits in every tree
8. For a training row in a bootstrap forest, which trees should contribute to its out-of-bag prediction?
   • Trees whose bootstrap samples omitted that row
   • Only trees whose samples included that row at least twice
   • Every tree regardless of whether it trained on the row
   • A required newly trained tree using only that row