עצים לקבלת החלטות: כדאי לבדוק את ההבנה

הדף הזה מאתגר אתכם לענות על סדרה של תרגילים רבי-משתתפים, בנוגע לחומרי ההדרכה והטריגרים.

שאלה 1

מהן ההשפעות של החלפת תכונות מספריות בערכים שליליים (לדוגמה, שינוי ערך +8 ל- -8) בפיצול המספרי?

אותם התנאים תלמד, רק הילדים החיוביים/השליליים יוחלפו.

מצוין.

תלמדו תנאים שונים, אבל המבנה הכולל של עץ ההחלטות לא ישתנה.

אם התכונות ישתנו, התנאים ישתנו.

המבנה של עץ ההחלטות יהיה שונה לגמרי.

המבנה של עץ ההחלטות יהיה כמעט זהה. עם זאת, התנאים ישתנו.

שאלה 2

אילו שתי תשובות מתארות בצורה הטובה ביותר את ההשפעה של בדיקה רק חצי מהשורה (נבחרת באופן אקראי) על ערכי הסף של המועמד ב-X?

רווח המידע יהיה גבוה או שווה.

רווח המידע יהיה נמוך או שווה ל.

כל הכבוד.

לעץ ההחלטה הסופית יהיה דיוק גרוע יותר בבדיקה.

עץ ההחלטות הסופי לא יכלול דיוק מדויק יותר באימון.

כל הכבוד.

שאלה 3

מה היה קורה אם העקומה &"info info" לעומת "threshold" העקומה הייתה כוללת מספר מקומי מקסימלי?

לא ניתן ליצור מספר מקסימלי של חנויות מקומיות.

אפשר ליצור מספר מקסימלי של חנויות מקומיות.

האלגוריתם יבחר את הקמפיין המקסימלי עם ערך הסף הנמוך ביותר.

האלגוריתם יבחר את המקסימום הגלובלי.

כל הכבוד.

שאלה 4

מחשבים את רווח המידע בפיצול הבא:

צומת	# דוגמאות חיוביות	# דוגמאות שליליות
צומת הורה	10	6
צאצא ראשון	8	2
ילד שני	2	4

אפשר ללחוץ על הסמל כדי לראות את התשובה.

# 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

---