Ta strona została przetłumaczona przez Cloud Translation API.

Drzewa decyzyjne: sprawdź swoją wiedzę

Na tej stronie znajdziesz serię ćwiczeń polegających na udzielaniu odpowiedzi na pytania jednokrotnego wyboru dotyczących materiału omówionego w jednostce „Trening schematów decyzyjnych”.

Pytanie 1

Jakie są skutki zastąpienia cech liczbowych ich ujemnymi wartościami (np. zastąpienie wartości +8 wartością –8) za pomocą dokładnego rozdzielacza liczbowego?

Nauczy się on tych samych warunków, ale tylko pozytywne/negatywne dzieci zostaną przełączone.

Fantastycznie.

Nauczy się ono nowych warunków, ale ogólna struktura drzewa decyzji pozostanie taka sama.

Jeśli funkcje ulegną zmianie, zmienią się też warunki.

Struktura drzewa decyzyjnego będzie zupełnie inna.

Struktura drzewa decyzyjnego będzie w większości taka sama. Warunki jednak się zmienią.

Pytanie 2

Które 2 odpowiedzi najlepiej opisują efekt testowania tylko połowy (losowo wybranych) wartości progowych kandydatów w X?

Zysk informacji będzie wyższy lub równy.

Zysk informacji będzie mniejszy lub równy.

Dobra robota!

Ostateczne drzewo decyzyjne będzie miało gorszą dokładność testów.

Ostateczne drzewo decyzyjne nie będzie miało lepszej dokładności uczenia się.

Dobra robota!

Pytanie 3

Co by się stało, gdyby krzywa „wzrost informacji” w zależności od „progu” miała kilka lokalnych maksimów?

Nie można mieć wielu lokalnych maksimów.

Możliwe są liczne lokalne maksima.

Algorytm wybierze lokalne maksimum o najmniejszej wartości progowej.

Algorytm wybierze globalne maksimum.

Dobra robota!

Pytanie 4

Oblicz zysk informacyjny z tego podziału:

Węzeł	Liczba przykładów pozytywnych	Liczba przykładów naruszających zasady
węzeł nadrzędny	10	6
pierwszy element potomny	8	2
drugie dziecko	2	4

Aby zobaczyć odpowiedź, kliknij ikonę.

# 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

Wstecz

Klasyfikacja plików binarnych

Dalej

Przycinanie i dopasowanie