決策決策：查看您的理解程度

本資訊頁面的用途是回答「Training Decision Trees」(訓練決策樹狀圖) 單元中討論的一系列選擇題。

第 1 題

將數值特徵替換為負數值 (例如將值 +8 變更為 -8) 以及確切的數值分配器會造成什麼影響？

系統會學習相同的條件，只切換正/無子項。

吹得太好了！

系統會學習不同的條件，但決策樹狀結構的整體結構將維持不變。

如果這些功能有所異動，條件就會改變。

決策樹狀結構的結構會完全不同。

決策樹狀結構的結構幾乎完全相同。但條件會隨之改變。

第 2 題

以下兩個答案最能反映僅測試 (即隨機選取) X 候選門檻值的影響嗎？

資訊增加或更高。

相關資訊增加或減少。

太棒了！

最終決策樹狀圖的測試準確率較低。

最終決策樹無法提升訓練準確度。

太棒了！

第 3 題

如果「資訊增長」和「閾值」曲線有多個本機最大值，會發生什麼事？

不可同時設有多個本機最大值。

最多可有多個本機最大值。

演算法會選取門檻值最低的本機最大值。

演算法會選取全域上限。

太棒了！

第 4 題

計算下列分割的資訊增益：

節點	陽性示例	負示例數量
父項節點	10	6
第一個孩子	8	2
第二個孩子	2	4

按一下圖示即可查看解答。

# 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

---