Karar ağaçları: Öğrendiklerinizi kontrol etme

Bu sayfada, "Eğitim Karar Ağaçları" ünitesinde açıklanan malzeme hakkında bir dizi çoktan seçmeli alıştırmayı cevaplamanız gerekiyor.

1. Soru

Sayısal özellikleri negatif değerleriyle değiştirmenin (örneğin, +8 değerini -8 olarak değiştirmenin) tam olarak sayısal ayırıcıyla etkileri nelerdir?

Aynı koşullar öğrenilecek ve yalnızca pozitif/negatif çocuklar değiştirilecek.

Muhteşem.

Farklı koşullar öğrenilir ancak karar ağacının genel yapısı aynı kalır.

Özellikler değişirse koşullar da değişir.

Karar ağacının yapısı tamamen farklı olacaktır.

Karar ağacının yapısı neredeyse aynı olacak. Koşullar yine de değişecektir.

2. Soru

X değerindeki aday eşik değerlerinin yalnızca yarısının (rastgele seçilen) test edilmesinin etkisini en iyi hangi iki yanıt açıklar?

Bilgi kazancı daha yüksek veya eşit olur.

Bilgi kazancı daha düşük veya eşit olur.

Bravo.

Nihai karar ağacının test doğruluğu daha düşük olur.

Nihai karar ağacının eğitim doğruluğu daha yüksek olmaz.

Bravo.

3. Soru

"Bilgi kazanma" ve "Eşik" eğrisinin birden fazla yerel maksimum değeri olsaydı ne olurdu?

Birden fazla yerel maksima değeri olması imkansızdır.

Birden fazla yerel maxima kullanılabilir.

Algoritma, en düşük eşik değerine sahip yerel maksima değerini seçer.

Algoritma genel maksimum değeri seçer.

Bravo.

4. Soru

Aşağıdaki dağılımın bilgi kazancını hesaplayın:

Düğüm	Pozitif örnek sayısı	# negatif örnek
üst düğüm	10	6
ilk çocuk	8	2
ikinci çocuk	2	4

Yanıtı görmek için simgeyi tıklayın.

# 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

---