Cây quyết định: Kiểm tra kiến thức

Trang này sẽ đưa ra cho bạn một loạt bài tập trắc nghiệm về nội dung được thảo luận trong bài "Huấn luyện cây quyết định".

Câu hỏi 1

Việc thay thế các đặc điểm số bằng giá trị âm (ví dụ: thay đổi giá trị +8 thành -8) bằng bộ chia số chính xác sẽ ảnh hưởng như thế nào?
Cấu trúc của cây quyết định sẽ hoàn toàn khác.
Hệ thống sẽ học các điều kiện tương tự; chỉ các thành phần con dương/âm mới được chuyển đổi.
Hệ thống sẽ học các điều kiện khác nhau, nhưng cấu trúc tổng thể của cây quyết định sẽ không thay đổi.

Câu hỏi 2

Hai câu trả lời nào mô tả đúng nhất hiệu quả của việc chỉ kiểm thử một nửa (được chọn ngẫu nhiên) các giá trị ngưỡng đề xuất trong X?
Mức tăng thông tin sẽ thấp hơn hoặc bằng.
Cây quyết định cuối cùng sẽ có độ chính xác kiểm thử kém hơn.
Cây quyết định cuối cùng sẽ không có độ chính xác cao hơn trong quá trình huấn luyện.
Mức tăng thông tin sẽ cao hơn hoặc bằng.

Câu hỏi 3

Điều gì sẽ xảy ra nếu đường cong "lợi tức thông tin" so với "ngưỡng" có nhiều giá trị cực đại cục bộ?
Thuật toán sẽ chọn giá trị cực đại cục bộ có giá trị ngưỡng nhỏ nhất.
Thuật toán sẽ chọn giá trị tối đa trên toàn cục.
Không thể có nhiều giá trị cực đại cục bộ.

Câu hỏi 4

Tính toán lợi tức thông tin của phần phân tách sau:

Nút Số lượng ví dụ tích cực Số lượng ví dụ tiêu cực
nút mẹ 10 6
phần tử con đầu tiên 8 2
phần tử con thứ hai 2 4 
# 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
Trước
Phân loại tệp nhị phân
Tiếp
Trang trí và cắt tỉa