درختان تصمیم: درک خود را بررسی کنید

این صفحه شما را به چالش می‌کشد تا به یک سری تمرین‌های چند گزینه‌ای در مورد مطالب مورد بحث در واحد "درخت تصمیم آموزشی" پاسخ دهید.

سوال 1

جایگزینی ویژگی های عددی با مقادیر منفی آنها (مثلاً تغییر مقدار 8+ به 8-) با تقسیم کننده عددی دقیق چه اثراتی دارد؟

شرایط یکسان یاد خواهد شد. فقط بچه های مثبت/منفی عوض می شوند.

خارق العاده.

شرایط مختلف آموخته خواهد شد، اما ساختار کلی درخت تصمیم ثابت باقی خواهد ماند.

اگر ویژگی ها تغییر کند، شرایط تغییر خواهد کرد.

ساختار درخت تصمیم کاملا متفاوت خواهد بود.

ساختار درخت تصمیم در واقع تقریباً یکسان خواهد بود. هرچند شرایط تغییر خواهد کرد.

سوال 2

کدام دو پاسخ به بهترین وجه تأثیر آزمایش تنها نیمی (به طور تصادفی انتخاب شده) از مقادیر آستانه نامزد در X را توصیف می کند؟

سود اطلاعات بیشتر یا برابر خواهد بود.

سود اطلاعات کمتر یا برابر خواهد بود.

آفرین.

درخت تصمیم نهایی دقت تست بدتری دارد.

درخت تصمیم نهایی دقت آموزشی بهتری ندارد.

آفرین.

سوال 3

اگر منحنی «به دست آوردن اطلاعات» در مقابل «آستانه» دارای ماکزیمم های محلی متعدد باشد چه اتفاقی می افتد؟

داشتن ماکزیمم های محلی متعدد غیرممکن است.

ماکزیمم های محلی متعدد امکان پذیر است.

الگوریتم حداکثر محلی را با کمترین مقدار آستانه انتخاب می کند.

الگوریتم حداکثر جهانی را انتخاب می کند.

آفرین.

سوال 4

سود اطلاعات تقسیم زیر را محاسبه کنید:

گره	# نمونه های مثبت	# نمونه های منفی
گره والد	10	6
بچه اول	8	2
فرزند دوم	2	4

برای مشاهده پاسخ روی نماد کلیک کنید.

# 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

---