עצי החלטות: בדקו את הבנתכם

בדף הזה תתבקשו לענות על סדרה של תרגילים אמריקאים על התוכן הנדון בקטע "עצי החלטות בנושא אימון" יחידה.

שאלה 1

מה ההשפעות של החלפת תכונות מספריות בתכונות ערכים שליליים (לדוגמה, שינוי הערך +8 ל-8-) עם את המפצל המספרי המדויק?

אותם תנאים יילמדו; רק ילדים חיוביים/שליליים ישתנו.

מצוין.

המערכת תלמד תנאים שונים, אבל המבנה הכולל של עץ ההחלטות יישאר ללא שינוי.

אם התכונות משתנות, התנאים ישתנו.

המבנה של עץ ההחלטות יהיה מלא אחרת.

המבנה של עץ ההחלטות יהיה, כמעט באותה מידה. עם זאת, התנאים ישתנו.

שאלה 2

אילו שתי תשובות מתארות בצורה הטובה ביותר את ההשפעה של בדיקת חצי מה שביצעת בלבד (נבחר באופן אקראי) מערכי הסף של המועמדים ב-X?

רווח המידע יהיה גבוה או שווה.

רווח המידע יהיה נמוך או שווה.

כל הכבוד.

עץ ההחלטות הסופי ישפיע על רמת הדיוק של הבדיקות יותר.

עץ ההחלטות הסופי לא משפר את הדיוק של האימון.

כל הכבוד.

שאלה 3

מה יקרה אם "מידע נוסף" לעומת 'סף' עקומה היו כמה מכסות מקומיות?

לא ניתן לקבוע יותר ממקסימום מקומי אחד.

אפשר להגדיר כמה שיותר ערכים מקומיים.

האלגוריתם יבחר את המקסימום המקומי עם הערך הקטן ביותר כערך הסף.

האלגוריתם יבחר את הערך המקסימלי הגלובלי.

כל הכבוד.

שאלה 4

מחשבים את תוספת המידע לפי החלוקה הבאה:

צומת	מספר הדוגמאות החיוביות	מספר הפריטים להחרגה דוגמאות
צומת הורה	10	6
הילד/ה הראשון/ה	8	2
ילד שני	2	4

יש ללחוץ על הסמל כדי לראות את התשובה.

# 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

---