Pohon keputusan: Periksa pemahaman Anda

Halaman ini menantang Anda untuk menjawab serangkaian latihan pilihan ganda tentang materi yang dibahas di unit "Pelatihan Keputusan".

Pertanyaan 1

Apa efek dari mengganti fitur numerik dengan nilai negatifnya (misalnya, mengubah nilai +8 menjadi -8) dengan pemisah numerik yang tepat?

Kondisi yang sama akan dipelajari; hanya turunan positif/negatif yang akan diganti.

Bagus sekali.

Kondisi yang berbeda akan dipelajari, tetapi keseluruhan struktur pohon keputusan akan tetap sama.

Jika fitur berubah, kondisi akan berubah.

Struktur pohon keputusan akan benar-benar berbeda.

Struktur pohon keputusan sebenarnya akan hampir sama. Namun, kondisi tersebut akan berubah.

Pertanyaan 2

Apa dua jawaban yang paling tepat menjelaskan efek pengujian hanya terhadap setengah nilai acak kandidat yang dipilih dalam X?

Penguatan informasi akan lebih tinggi atau sama.

Keuntungan informasi akan lebih rendah atau sama.

Bagus.

Hierarki keputusan akhir akan memiliki akurasi pengujian yang lebih buruk.

Pohon keputusan akhir tidak akan memiliki akurasi pelatihan yang lebih baik.

Bagus.

Pertanyaan 3

Apa yang akan terjadi jika kurva "keuntungan informasi" versus "nilai minimum" memiliki beberapa nilai maksimum lokal?

Anda tidak dapat memiliki beberapa maksim lokal.

Beberapa maksimum lokal mungkin dibuat.

Algoritme akan memilih maxima lokal dengan nilai ambang batas terkecil.

Algoritme akan memilih nilai maksimum global.

Bagus.

Pertanyaan 4

Hitung perolehan informasi pemisahan berikut:

Node	# contoh positif	# contoh negatif
node induk	10	6
anak pertama	8	2
anak kedua	2	4

Klik ikon untuk melihat jawabannya.

# 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

---