أشجار القرارات: تحقق من فهمك
تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
تطلب منك هذه الصفحة الإجابة عن سلسلة من التمارين التي تتضمّن خيارات متعدّدة
حول المادة التي تمت مناقشتها في وحدة "تدريب أشجار القرارات".
السؤال 1
ما هي تأثيرات استبدال الميزات الرقمية بقيمتها
السالبة (على سبيل المثال، تغيير القيمة +8 إلى -8) باستخدام
أداة التقسيم الرقمية الدقيقة؟
سيتم تعلُّم الشروط نفسها، ولن يتمّ تبديل سوى
الأطفال الإيجابيين/السلبيين.
رائع.
سيتم تعلُّم شروط مختلفة، ولكن سيظل الإطار العام
لشجرة القرارات كما هو.
في حال تغيّر الميزات، ستتغيّر الشروط.
سيكون هيكل شجرة القرار مختلفًا تمامًا.
سيكون بنية شجرة القرار متماثلةً إلى حدٍ كبير. ومع ذلك، ستتغيّر الشروط.
السؤال 2
ما هي الإجابتان اللتان تصفان بشكل أفضل تأثير اختبار نصف
(يتم اختياره عشوائيًا) فقط من قيم الحدّ الأدنى المُحتمَلة في X؟
سيكون اكتساب المعلومات أعلى أو مساويًا.
سيكون اكتساب المعلومات أقل أو مساويًا.
أحسنت
ستكون دقة الاختبار في شجرة القرار النهائية أقل.
لن تحقّق شجرة القرار النهائية دقة تطبيق أفضل.
أحسنت
السؤال 3
ماذا سيحدث إذا كان منحنى "مكاسب المعلومات" في مقابل "الحدّ الأدنى"
يتضمّن قيمًا قصوى محلية متعددة؟
من المستحيل أن يكون هناك قيم قصوى محلية متعددة.
من الممكن أن تظهر قيم قصوى محلية متعددة.
ستختار الخوارزمية القيم القصوى المحلية ذات القيمة القصوى
للحدّ الأدنى.
ستختار الخوارزمية الحد الأقصى العام.
أحسنت
السؤال 4
احتساب معلومات الاستفادة من التقسيم التالي:
| العقدة | عدد الأمثلة الموجبة | عدد الأمثلة
السلبية |
|---|
| العقدة الرئيسية | 10 | 6 |
| الطفل الأول | 8 | 2 |
| الطفل الثاني | 2 | 4 |
انقر على الرمز للاطّلاع على الإجابة.
# 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
إنّ محتوى هذه الصفحة مرخّص بموجب ترخيص Creative Commons Attribution 4.0 ما لم يُنصّ على خلاف ذلك، ونماذج الرموز مرخّصة بموجب ترخيص Apache 2.0. للاطّلاع على التفاصيل، يُرجى مراجعة سياسات موقع Google Developers. إنّ Java هي علامة تجارية مسجَّلة لشركة Oracle و/أو شركائها التابعين.
تاريخ التعديل الأخير: 2025-02-25 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-02-25 (حسب التوقيت العالمي المتفَّق عليه)"],[[["\u003cp\u003eThis webpage presents a series of multiple-choice exercises focused on evaluating your understanding of decision tree training concepts.\u003c/p\u003e\n"],["\u003cp\u003eThe exercises cover topics such as the impact of feature manipulation on decision tree structure, the effects of altering threshold selection strategies, and the implications of multiple local maxima in information gain curves.\u003c/p\u003e\n"],["\u003cp\u003eOne question requires calculating information gain using entropy and provided data, demonstrating the practical application of decision tree principles.\u003c/p\u003e\n"]]],[],null,["# Decision trees: Check your understanding\n\n\u003cbr /\u003e\n\nThis page challenges you to answer a series of multiple choice exercises\nabout the material discussed in the \"Training Decision Trees\" unit.\n\nQuestion 1\n----------\n\nWhat are the effects of replacing the numerical features with their negative values (for example, changing the value +8 to -8) with the exact numerical splitter? \nThe same conditions will be learned; only the positive/negative children will be switched. \nFantastic. \nDifferent conditions will be learned, but the overall structure of the decision tree will remain the same. \nIf the features change, then the conditions will change. \nThe structure of the decision tree will be completely different. \nThe structure of the decision tree will actually be pretty much the same. The conditions will change, though.\n\nQuestion 2\n----------\n\nWhat two answers best describe the effect of testing only half (randomly selected) of the candidate threshold values in X? \nThe information gain would be higher or equal. \nThe information gain would be lower or equal. \nWell done. \nThe final decision tree would have worse testing accuracy. \nThe final decision tree would have no better training accuracy. \nWell done.\n\nQuestion 3\n----------\n\nWhat would happen if the \"information gain\" versus \"threshold\" curve had multiple local maxima? \nIt is impossible to have multiple local maxima. \nMultiple local maxima are possible. \nThe algorithm would select the local maxima with the smallest threshold value. \nThe algorithm would select the global maximum. \nWell done.\n\nQuestion 4\n----------\n\nCompute the information gain of the following split:\n\n| Node | # of positive examples | # of negative examples |\n|--------------|------------------------|------------------------|\n| parent node | 10 | 6 |\n| first child | 8 | 2 |\n| second child | 2 | 4 |\n\n#### Click the icon to see the answer.\n\n```scdoc\n# Positive label distribution\np_parent = 10 / (10+6) # = 0.625\np_child_1 = 8 / (8+2) # = 0.8\np_child_2 = 2 / (2+4) # = 0.3333333\n\n# Entropy\nh_parent = -p_parent * log(p_parent) - (1-p_parent) * log(1-p_parent) # = 0.6615632\nh_child_1 = ... # = 0.5004024\nh_child_2 = ... # = 0.6365142\n\n# Ratio of example in the child 1\ns = (8+2)/(10+6)\nf_final = s * h_child_1 + (1-s) * h_child_2 # = 0.5514443\n\ninformation_gain = h_parent - f_final # = 0.1101189\n```\n\n*** ** * ** ***"]]
