引導式測驗 · 中等 等級
分箱和離散化測驗
測試等寬和分位數箱、目標通知切點、資訊遺失以及基於直方圖的樹學習器所使用的近似值。
問題 1 的 8
對於高度傾斜的收入特徵,等寬和分位數分箱如何以不同的方式放置其邊界?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 對於高度傾斜的收入特徵,等寬和分位數分箱如何以不同的方式放置其邊界?
- 等寬度分箱將範圍劃分為相等大小的間隔,而分位數分箱選擇邊界,因此每個箱具有大致相同數量的資料點
- 等寬分箱使用目標標籤,分位數分箱不使用
- 它們是同一個方法的兩個名稱
- 分位數分箱只能應用於分類變數
- 監督分箱與等寬或分位數分箱有何不同?
- 它根本不需要任何數據
- 它只能生產兩個垃圾箱
- 它使用目標標籤選擇箱邊界以最好地分離結果
- 它與等寬分箱相同,但已重新命名
- 當等寬箱應用於傾斜特徵時,會產生什麼樣的樣本計數分佈?
- 它總是需要受監督的標籤
- 如果資料分佈不均勻,有些容器最終可能幾乎是空的,而有些容器則過度擁擠
- 無法計算數值變數
- 它比分位數合併的計算成本更高
- 分箱如何讓線性模型捕捉變數與結果之間的非線性關係?
- 透過從模型中完全刪除變數
- 透過將線性模型轉換為決策樹
- 透過要求變數服從常態分佈
- 透過為每個箱賦予自己的係數,有效地創建階躍函數關係
- 將兩個值映射到同一個 bin 後,模型無法再從該特徵中區分出哪些細節?
- 它增加了每個模型的計算成本
- 模型無法區分同一箱內的值
- 需要收集更多的訓練數據
- 它從資料集中刪除目標變數
- 該指南糾正了關於基於樹的模型和分箱的哪些誤解?
- 現代梯度增強演算法已經可以在內部處理連續分割,並且通常不需要像特徵工程那樣進行預分箱
- 訓練任何樹模型都需要分箱
- 樹根本不能使用連續變數
- 這種分箱總是可以提高樹模型的準確性
- 在基於直方圖的樹學習器中,使用有限的特徵箱集主要交換什麼?
- 使模型更容易被人類解釋
- 遵守財務法規
- 取代損失函數的需要
- 作為一種計算速度最佳化,使用固定數量的桶來近似連續分割
- 儘管沒有通用規則要求分箱,為什麼信用記分卡團隊可能會選擇明確的風險範圍?
- 因為每項信用監管都要求等寬的垃圾箱
- 保留模型的每個精確值
- 更輕鬆地傳達或審查粗略的風險分組
- 因為分箱可以確保更高的預測準確性