Karar ağaçları: Öğrendiklerinizi kontrol edin

Bu sayfada bir dizi çoktan seçmeli alıştırmayı yanıtlamanız istenir. "Eğitim Karar Ağaçları"nda tartışılan materyal hakkında girin.

1. Soru

Sayısal özellikleri negatif değerlere (örneğin, +8 değerini -8 olarak değiştirmek) tam olarak biliyor musunuz?

Aynı koşullar öğrenilecektir. yalnızca pozitif/negatif alt öğeler değiştirilir.

Güzel.

Farklı koşullar öğrenilecektir, ancak genel yapı karar ağacının etkisi aynı kalır.

Özellikler değişirse koşullar da değişir.

Karar ağacının yapısı tamamen yardımcı olur.

Karar ağacının yapısı, aşağı yukarı aynı. Ancak koşullar değişecek.

2. Soru

Hangi iki yanıt, testin yalnızca yarısının etkisini en iyi şekilde tanımlar (rastgele seçilir) mi?

Bilgi kazancı daha yüksek veya eşit olur.

Bilgi kazancı daha düşük veya eşit olur.

Tebrikler.

Nihai karar ağacının test doğruluğu daha düşük olur.

Nihai karar ağacının eğitim doğruluğu daha iyi olmaz.

Tebrikler.

3. Soru

"Bilgi kazanımı" ne olursa olsun ile "eşik" karşılaştırması eğri birden fazla yerel maksimum var mıydı?

Birden fazla yerel maksimuma sahip olmak imkansızdır.

Birden çok yerel maksimum değer mümkün.

Algoritma, en küçük değere sahip yerel maksimumu seçer eşik değeri.

Algoritma, genel maksimum değeri seçer.

Tebrikler.

4. Soru

Aşağıdaki bölmenin bilgi kazancını hesaplayın:

Düğüm	Olumlu örnek sayısı	Negatif öğe sayısı örnekler
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

---