Karar ağaçları: Öğrendiklerinizi kontrol edin

Bu sayfada, "Karar Ağaçları Eğitimi" biriminde ele alınan materyallerle ilgili bir dizi çoktan seçmeli alıştırmayı yanıtlamanız istenir.

1. Soru

Tam sayı bölme işleviyle sayısal özelliklerin negatif değerleriyle (ör. +8 değerinin -8 olarak değiştirilmesi) değiştirilmesinin sonuçları nelerdir?

Aynı koşullar öğrenilir; yalnızca olumlu/olumsuz çocuklar değiştirilir.

Harika.

Farklı koşullar öğrenilir ancak karar ağacının genel yapısı aynı kalır.

Özellikler değişirse koşullar da değişir.

Karar ağacının yapısı tamamen farklı olacaktır.

Karar ağacının yapısı aslında hemen hemen aynı olacaktır. Ancak koşullar değişecektir.

2. Soru

X'deki aday eşik değerlerinin yalnızca yarısını (rastgele seçilmiş) test etmenin etkisini en iyi açıklayan iki yanıt nedir?

Bilgi kazancı daha yüksek veya eşit olur.

Bilgi kazancı daha düşük veya eşit olur.

Tebrikler.

Son karar ağacının test doğruluğu daha düşük olur.

Nihai karar ağacının eğitim doğruluğu daha iyi olmaz.

Tebrikler.

3. Soru

"Bilgi kazancı" ve "eşik" eğrisi birden fazla yerel maksimuma sahipse ne olur?

Birden fazla yerel maksimum değeri olamaz.

Birden fazla yerel maksimum olabilir.

Algoritma, en küçük eşik değerine sahip yerel maksimumları seçer.

Algoritma, genel maksimum değeri seçer.

Tebrikler.

4. Soru

Aşağıdaki bölme işleminin bilgi kazancını hesaplayın:

Düğüm	pozitif örnek sayısı	Olumsuz örnek sayısı
üst düğüm	10	6
ilk çocuk	8	2
ikinci çocuk	2	4

Yanıtı görmek için simgeyi tıklayın.

# Positive label distribution
p_parent = 10 / (10+6) # = 0.625
p_child_1 = 8 / (8+2) # = 0.8
p_child_2 = 2 / (2+4) # = 0.3333333

# Entropy
h_parent = -p_parent * log(p_parent) - (1-p_parent) * log(1-p_parent) # = 0.6615632
h_child_1 = ... # = 0.5004024
h_child_2 = ... # = 0.6365142

# Ratio of example in the child 1
s = (8+2)/(10+6)
f_final = s * h_child_1 + (1-s) * h_child_2 # = 0.5514443

information_gain = h_parent - f_final # = 0.1101189

---