Открытый опрос по основам машинного обучения (Дерево решений)

Чтобы сделать самостоятельное изучение машинного обучения еще более интересным, сегодня мы предлагаем вам общий комплексный тест по основам машинного обучения. В данном тесте проверим знания по такой теме как дерево решений.

Открытый опрос по основам машинного обучения (Дерево решений)

Выбирайте из предложенных вариантов тот, который считаете верным. Правильный ответ с объяснением вы узнаете после того, как нажмете кнопку ОТПРАВИТЬ. Успехов!

1. Что такое дерево решений?

 Функция активации для нейронной сети

 Метод решения математических уравнений

 Алгоритм машинного обучения

 Оптимизационный алгоритм

2. Каким образом дерево решений может использоваться для отбора признаков (feature selection)?

 Путем исключения признаков с низким информационным выигрышем

 Путем увеличения количества признаков

 Путем ручного выбора наиболее важных признаков

 Путем случайного выбора признаков

3. Каким образом дерево решений может быть визуализировано?

 С помощью гистограммы

 С помощью круговой диаграммы

 С помощью диаграммы дерева решений

 С помощью графика рассеяния (scatter plot)

4. Что такое лист дерева решений?

 Узел дерева решений, который имеет только одного потомка

 Узел дерева решений, который имеет потомков

 Узел дерева решений, который не имеет потомков

 Корень дерева решений

5. Какой критерий используется для разбиения узла дерева решений?

 Наибольшее уменьшение неопределенности (largest reduction in uncertainty)

 Наименьшее уменьшение неопределенности (smallest reduction in uncertainty)

 Наименьшее увеличение неопределенности (smallest increase in uncertainty)

 Наибольшее увеличение неопределенности (largest increase in uncertainty)

6. Какие типы задач можно решить с помощью дерева решений?

 Классификация и регрессия

 Кластеризация и ассоциативные правила

 Распознавание образов и генетические алгоритмы

 Прогнозирование временных рядов и нейронные сети

7. Способно ли дерево решений обрабатывать отсутствующие значения (missing values)?

 Нет

 Да

 Только если пропущенное значение это категориальные данные

 Только если пропущенное значение это численные данные

8. Какой из следующих методов может быть использован для улучшения работы дерева решений на несбалансированных данных?

 Использование взвешенных функций ошибки

 Использование алгоритмов обрезки дерева

 Использование ансамблевых методов, таких как случайный лес (random forest)

 Увеличение размера обучающей выборки

9. Каким образом решают проблему переобучения при обучении деревьев решений?

 Путем уменьшения количества признаков

 Путем увеличения глубины дерева

 Путем уменьшения количества объектов в обучающей выборке

 Путем использования алгоритмов обрезки дерева или ограничения глубины дерева

10. Каким образом дерево решений выбирает наилучший признак для разделения?

 Методом информационного выигрыша

 Методом случайного выбора признаков

 Методом градиентного спуска

 Методом наименьших квадратов

 Загрузка …

Стоит отметить, что данный тест не является профессиональным экзаменом. Однако, такое небольшое упражнение поможет новичкам, которые самостоятельно изучают машинное обучение, пытаясь разобраться с огромным объемом новой информации, систематизировать ее и применить к решению практических задач.

Если вы заинтересованы в изучении машинного обучения на языке Python и хотите быть в курсе последних методов и инструментов, мы рекомендуем посетить наш лицензированный учебный центр в Москве, который специализируется на обучении ИТ-специалистов. Там вы сможете пройти практический курс «Машинное обучение на Python«.

Записаться на курс

Смотреть раcписание