डिसीजन ट्री: अपनी समझ की जांच करें

यह पेज आपको "ट्रेनिंग डिसिज़न ट्री" यूनिट में चर्चा की गई सामग्री के बारे में कई विकल्प वाले सवालों के जवाब देने के लिए चुनौती देता है.

पहला सवाल

संख्या वाली सुविधाओं को उनकी नेगेटिव वैल्यू से बदलने पर क्या असर होता है (उदाहरण के लिए, वैल्यू को +8 से 8 तक बदलना) इसके लिए, संख्या के सटीक स्प्लिटर का इस्तेमाल किया जा सकता है?

एक जैसी स्थितियां सीखी जाएंगी; सिर्फ़ पॉज़िटिव/नेगेटिव बच्चों को स्विच किया जाएगा.

बहुत बढ़िया.

इससे, अलग-अलग स्थितियों का पता चलेगा. हालांकि, फ़ैसला लेने के लिए दिए गए स्ट्रक्चर के तरीके में कोई बदलाव नहीं होगा.

अगर सुविधाएं बदलती हैं, तो शर्तें बदल जाएंगी.

डिसीज़न ट्री की बनावट बिल्कुल अलग होगी.

फ़ैसला लेने वाले पेड़ का स्ट्रक्चर काफ़ी हद तक एक जैसा होगा. हालांकि, शर्तें बदल जाएंगी.

दूसरा सवाल

X में उम्मीदवार के लिए तय की गई सीमा की वैल्यू का आधा हिस्सा ( रैंडम तरीके से) चुनने से, दो जवाबों के बारे में क्या पता चलता है?

जानकारी मिलने की संभावना ज़्यादा या बराबर होगी.

जानकारी मिलने में कमी होगी या बराबर होगी.

बहुत खूब.

आखिरी फ़ैसला पेड़ की खराब जांच और ज़्यादा सटीक होगी.

आखिरी फ़ैसला लेने के बाद, ट्रेनिंग और सटीक नहीं होगी.

बहुत खूब.

तीसरा सवाल

क्या होगा अगर "जानकारी लाभ" बनाम "theresHold" कर्व को एक से ज़्यादा स्थानीय मैक्सिमम मिलता है?

एक से ज़्यादा लोकल मैक्सिमम वैल्यू रखना नामुमकिन है.

एक से ज़्यादा लोकल मैक्सिमम वैल्यू हो सकती है.

एल्गोरिदम, सबसे कम थ्रेशोल्ड वैल्यू के साथ लोकल मैक्सिमम वैल्यू चुनता है.

एल्गोरिदम ग्लोबल सबसे ज़्यादा वैल्यू चुनेगा.

बहुत खूब.

चौथा सवाल

नीचे दिए गए स्प्लिट की जानकारी पाने की गणना करें:

नोड	# अच्छे उदाहरण	नेगेटिव उदाहरणों में से #
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

---