Pohon keputusan: Menguji pemahaman Anda
Halaman ini menantang Anda untuk menjawab serangkaian latihan pilihan ganda tentang materi yang dibahas dalam unit "Pelatihan Pohon Keputusan".
Pertanyaan 1
Apa efek penggantian fitur numerik dengan nilai negatifnya (misalnya, mengubah nilai +8 menjadi -8) dengan pemisah numerik yang tepat?
Kondisi yang berbeda akan dipelajari, tetapi struktur keseluruhan
hierarki keputusan akan tetap sama.
Jika fitur berubah, kondisinya juga akan berubah.
Struktur pohon keputusan akan sepenuhnya
berbeda.
Struktur pohon keputusan sebenarnya akan
hampir sama. Namun, kondisinya akan berubah.
Kondisi yang sama akan dipelajari; hanya
turunan positif/negatif yang akan diubah.
Bagus sekali.
Pertanyaan 2
Manakah dua jawaban yang paling tepat mendeskripsikan efek pengujian hanya setengah
(dipilih secara acak) dari nilai nilai minimum kandidat di X?
Akurasi pengujian pohon keputusan akhir akan lebih buruk.
Perolehan informasi akan lebih rendah atau sama.
Mantap.
Akurasi pelatihan pohon keputusan akhir tidak akan lebih baik.
Mantap.
Perolehan informasi akan lebih tinggi atau sama.
Pertanyaan 3
Apa yang akan terjadi jika kurva "information gain" versus "threshold"
memiliki beberapa maksimum lokal?
Tidak mungkin memiliki beberapa maksimum lokal.
Beberapa maksimum lokal dapat terjadi.
Algoritma akan memilih maksimum lokal dengan nilai nilai minimum.
Algoritme akan memilih maksimum global.
Mantap.
Pertanyaan 4
Hitung perolehan informasi dari pemisahan berikut:
| Node | # of positive examples | # of negative
examples |
|---|
| 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
Kecuali dinyatakan lain, konten di halaman ini dilisensikan berdasarkan Lisensi Creative Commons Attribution 4.0, sedangkan contoh kode dilisensikan berdasarkan Lisensi Apache 2.0. Untuk mengetahui informasi selengkapnya, lihat Kebijakan Situs Google Developers. Java adalah merek dagang terdaftar dari Oracle dan/atau afiliasinya.
Terakhir diperbarui pada 2025-02-25 UTC.
[null,null,["Terakhir diperbarui pada 2025-02-25 UTC."],[[["This webpage presents a series of multiple-choice exercises focused on evaluating your understanding of decision tree training concepts."],["The exercises cover topics such as the impact of feature manipulation on decision tree structure, the effects of altering threshold selection strategies, and the implications of multiple local maxima in information gain curves."],["One question requires calculating information gain using entropy and provided data, demonstrating the practical application of decision tree principles."]]],[]]
