決策樹狀圖：隨堂測驗

這個網頁會挑戰您回答一系列的選擇練習題 請參閱《訓練決策樹》。

第 1 題

將數值特徵替換為 負值 (例如，將值 +8 變更為 -8) 實際數字分割器？

系統也會一併擷取相同的條件只有 正數/負子項會切換

吹得太好了！

不僅能學習各種狀況，還能掌握整體結構 決策樹狀圖將保持不變

如果功能有變動，條件也會隨之改變。

決策樹狀圖的結構 也不一樣

決策樹狀圖的結構 幾乎完全相同不過條件會有所變動。

第 2 題

下列哪兩個答案最貼切說明瞭只測試一半的效果 (隨機選取) X 中的候選鍵？

資訊獲得的成效有可能更高或相等。

獲得的資訊會較低或相等。

太棒了！

最終決策樹狀圖可能會使測試準確度變差。

最終決策樹不會提高訓練準確率。

太棒了！

第 3 題

如果資訊「獲得資訊」對比「門檻」曲線 是否有多個當地 Maxima？

無法有多個本地 maxima。

也可使用多個本地 maxima。

演算法會選取最小的本機 maxima 門檻值。

演算法會選取全域的最大值。

太棒了！

第 4 題

計算以下分割的資訊取得率：

節點	正樣本數	負數 例子
父項節點	10	6
第一名孩子	8	2
第二位孩子	2	4

按一下圖示即可查看解答。

# 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

---