डिसिज़न ट्री: अपनी समझ की जांच करें

इस पेज पर, आपको कई विकल्प वाली कसरतों का जवाब देने का चैलेंज दिया गया है "ट्रेनिंग डिसिज़न ट्री" में बताए गए कॉन्टेंट के बारे में इकाई.

पहला सवाल

अंकों वाली सुविधाओं को उनकी जगह नेगेटिव वैल्यू (उदाहरण के लिए, वैल्यू +8 को -8 में बदलना) सटीक अंकों वाला स्प्लिटर?

एक जैसी स्थितियों का पता चलेगा; सिर्फ़ पॉज़िटिव/नेगेटिव चिल्ड्रन स्विच कर दिए जाएंगे.

शानदार.

अलग-अलग स्थितियां सीखी जाएंगी, लेकिन असल में डिसिज़न ट्री में बदलाव नहीं किया जाएगा.

सुविधाओं में बदलाव होने पर, शर्तें बदल जाएंगी.

डिसिज़न ट्री का स्ट्रक्चर पूरी तरह से अलग हैं.

डिसिज़न ट्री की संरचना करीब-करीब एक जैसा. हालांकि, शर्तों में बदलाव होगा.

दूसरा सवाल

कौनसे दो जवाब, टेस्टिंग के असर के बारे में सबसे अच्छी तरह बताते हैं (रैंडम रूप से चुना गया) है?

मिलने वाली जानकारी ज़्यादा या बराबर होगी.

मिलने वाली जानकारी कम या उसके बराबर होगी.

बहुत खूब.

आखिरी डिसिज़न ट्री में जांच के नतीजे ज़्यादा सटीक नहीं होंगे.

ट्रेनिंग से जुड़े आखिरी फ़ैसले के लिए इससे बेहतर और सटीक जानकारी नहीं होगी.

बहुत खूब.

तीसरा सवाल

"जानकारी हासिल करने" पर क्या होगा बनाम "थ्रेशोल्ड" कर्व क्या एक से ज़्यादा लोकल मैक्सिमा था?

एक से ज़्यादा लोकल मैक्सिमम हो पाना नामुमकिन है.

एक से ज़्यादा लोकल मैक्सिमम हो सकते हैं.

एल्गोरिदम सबसे छोटी संख्या के साथ लोकल मैक्सिमा चुनेगा सीमा मान.

एल्गोरिदम, वैश्विक अधिकतम को चुनेगा.

बहुत खूब.

चौथा सवाल

नीचे दिए गए स्प्लिट की जानकारी गेन की गणना करें:

नोड	सकारात्मक उदाहरणों की #	नेगेटिव में से # उदाहरण
पैरंट नोड	10	6
पहला बच्चा	8	2
दूसरा बच्चा	2	4

जवाब देखने के लिए आइकॉन पर क्लिक करें.

# 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

---