أشجار القرارات: تحقق من فهمك

تدّعيك هذه الصفحة الإجابة عن سلسلة من تمارين الاختيار من متعدد. حول المواد التي تمت مناقشتها في "أشجار القرارات التدريبية" واحدة.

السؤال 1

ما آثار استبدال الميزات الرقمية القيم السالبة (على سبيل المثال، تغيير القيمة +8 إلى -8) باستخدام القاسم العددي الدقيق؟

سيتم تعلم نفس الشروط؛ فقط سيتم تبديل العناصر الثانوية الموجبة/السلبية.

رائع.

سيتم تعلم شروط مختلفة، لكن الهيكل العام شجرة القرار كما هي.

وفي حال تغيَّرت الميزات، ستتغير الشروط.

سيتم تحديد هيكل شجرة القرار بالكامل مختلفة.

سيتم وضع هيكل شجرة القرار نفس الشيء إلى حد كبير. مع ذلك، ستتغيّر الشروط.

السؤال 2

ما هي الإجابتان اللتان تصفان تأثير اختبار نصفه فقط (يتم تحديده عشوائيًا) من قيم الحد الأدنى المرشحة في X؟

سيكون تحصيل المعلومات أعلى أو يساوي.

سيكون تحصيل المعلومات أقل أو يساوي.

ممتاز.

سيكون لشجرة القرار النهائي دقة اختبار أسوأ.

لن يكون لشجرة القرار النهائية دقة تطبيق أفضل.

ممتاز.

السؤال 3

ماذا سيحدث إذا تم "تحصيل المعلومات" مقابل "الحد الأدنى" منحنى لها حدود قصوى محلية متعددة؟

من المستحيل أن يكون هناك حدود قصوى متعددة.

من الممكن إنشاء حدود قصوى متعددة.

ستختار الخوارزمية الحد الأقصى المحلي ذي أصغر الحد المسموح به.

ستختار الخوارزمية الحد الأقصى العمومي.

ممتاز.

السؤال 4

احسب تحصيل المعلومات في القسمة التالية:

العقدة	عدد الأمثلة الإيجابية	عدد النتائج السلبية الأمثلة
العقدة الرئيسية	10	6
الطفل الأول	8	2
الطفل الثاني	2	4

انقر على الرمز لرؤية 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

---