Дерева рішень і випадкові ліси Вікторина

Відповіді та пояснення з’являються під час виконання тесту.

1. Як дерево рішень робить прогноз?
   • Шляхом усереднення всіх пікселів зображення
   • Перекладаючи текст між мовами
   • Щоразу випадково вгадуючи
   • Дотримуючись серії запитань «так/ні» до аркуша
2. У чому головна слабкість єдиного глибокого дерева рішень?
   • Він не може працювати з числами
   • Він має тенденцію до перенастроювання та запам’ятовування шуму в тренувальних даних
   • Він може виводити лише текст
   • Для роботи потрібен графічний процесор
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. Який показник дерева класифікації зазвичай використовують для вибору розбиття?
   • Яскравість пікселів
   • Домішка Джіні або ентропія
   • Звукова частота
   • Підрахунок слів
6. Which named system is described in the paper A Scalable Tree Boosting System?
   • Фотошоп
   • FFmpeg
   • Kubernetes
   • 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