עצי החלטות: בדקו את הבנתכם

בדף הזה תתבקשו לענות על סדרה של תרגילים עם שאלות אמריקאיות בנושאים שנדונו ביחידה 'אימון של עצי החלטות'.

שאלה 1

מהן ההשפעות של החלפת המאפיינים המספריים בערכים השליליים שלהם (לדוגמה, שינוי הערך +8 ל-8) באמצעות המפריד המספרי המדויק?

התנאים יילמדו באותו אופן, רק הצאצאים החיוביים/השליליים ישתנו.

מצוין.

המערכת תלמד תנאים שונים, אבל המבנה הכללי של עץ ההחלטות לא ישתנה.

אם התכונות ישתנו, גם התנאים ישתנו.

המבנה של עץ ההחלטות יהיה שונה לגמרי.

המבנה של עץ ההחלטות יהיה דומה למדי. עם זאת, התנאים ישתנו.

שאלה 2

אילו שתי תשובות מתארות בצורה הטובה ביותר את ההשפעה של בדיקה של מחצית ( שנבחרה באופן אקראי) מערכות הסף האפשריות ב-X?

רווח המידע יהיה גבוה יותר או שווה.

רווח המידע יהיה נמוך יותר או שווה.

כל הכבוד.

בדיקת עץ ההחלטות הסופי תהיה פחות מדויקת.

לא תהיה לשיחה הסופית של עץ ההחלטות רמת דיוק אימון טובה יותר.

כל הכבוד.

שאלה 3

מה יקרה אם לעקומה של 'שיפור המידע' לעומת 'סף' יהיו כמה ערכים מקסימליים מקומיים?

אי אפשר שיהיה יותר ממקסימום מקומי אחד.

יכולים להיות כמה ערכים מקסימליים מקומיים.

האלגוריתם יבחר את הערך המקסימלי המקומי עם ערך הסף הקטן ביותר.

האלגוריתם יבחר את הערך המקסימלי ברמת האתר.

כל הכבוד.

שאלה 4

חישוב הרווח המידעי של הפיצול הבא:

צומת	מספר הדוגמאות החיוביות	מספר הדוגמאות השליליות
צומת הורה	10	6
הילד או הילדה הראשון	8	2
הילד או הילדה השניים	2	4

לוחצים 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

---