Pohon keputusan: Menguji pemahaman Anda

Halaman ini menantang Anda untuk menjawab serangkaian latihan pilihan ganda tentang materi yang dibahas dalam "Pelatihan Pohon Keputusan" unit iklan.

Pertanyaan 1

Apa efek dari mengganti fitur numerik dengan nilai negatif (misalnya, mengubah nilai +8 menjadi -8) dengan pembagi angka yang tepat?

Kondisi yang sama akan dipelajari; hanya turunan positif/negatif akan dialihkan.

Bagus sekali.

Kondisi yang berbeda akan dipelajari, tetapi struktur keseluruhan pohon keputusan akan tetap sama.

Jika fitur berubah, maka kondisinya akan berubah.

Struktur pohon keputusan akan sepenuhnya berbeda.

Struktur pohon keputusan sebenarnya akan hampir sama. Namun, kondisinya akan berubah.

Pertanyaan 2

Dua jawaban apa yang paling menggambarkan efek pengujian hanya setengahnya (dipilih secara acak) dari nilai ambang batas kandidat dalam X?

Perolehan informasi akan lebih tinggi atau sama.

Informasi yang diperoleh akan lebih rendah atau sama.

Bagus.

Pohon keputusan akhir akan memiliki akurasi pengujian yang lebih buruk.

Pohon keputusan akhir tidak akan memiliki akurasi pelatihan yang lebih baik.

Bagus.

Pertanyaan 3

Apa yang akan terjadi jika "perolehan informasi" versus "nilai minimum" kurva memiliki beberapa maxima lokal?

Tidak mungkin memiliki beberapa maksimal lokal.

Beberapa nilai maksimum lokal dimungkinkan.

Algoritma akan memilih nilai maksimum lokal dengan nilai terkecil nilai minimum.

Algoritma akan memilih nilai maksimum global.

Bagus.

Pertanyaan 4

Hitung perolehan informasi dari bagian berikut:

Node	# contoh positif	# negatif contoh
node induk	10	6
anak pertama	8	2
anak kedua	2	4

Klik ikon untuk melihat jawabannya.

# 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

---