ML Lecture 8 Quiz

Random Forest-ի մեջ յուրաքանչյուր ծառը ուսուցանվում է․․․

• Հատկանիշների ենթաբազմության և Բոլոր տվյալների

  վրա

• Տվյալների Ենթաբազմության և Բոլոր Հատկանիշների վրա

• Ամբողջ տվյալների բազմության վրա

• Տվյալների և Հատկանիշների Ենթաբազմության վրա

Ճի՞շտ է արդյոք հետևյալ պնդումը․
«Մեկ ծառով Random Forest-ը ավելի լավ է քան Decision Tree֊ն»

• ԱՅՈ

• ՈՉ

Bagging-ի ընթացքում, bootstrapping-ը կատարվում է, որպեսզի․․․

• Ստանանք ավելի շատ տվյալներ

• Մոդելները լինեն հնարավորինս իրարից կախյալ

• Մոդելները լինեն հնարավորինս իրարից անկախ

• Խնայենք համակարգչի ռեսուրսները

Ճի՞շտ է արդյոք հետևյալ պնդումը․
«OOB Score-ը հաշվվում է Validation Set֊ի վրա»

• ԱՅՈ

• ՈՉ

Նշված մեթոդներից որը՞ կարելի է օգտագործել bagging-ի մեջ մոդելների օպտիմալ քանակը գտնելու համար

• Validation Set-ի վրա Error Rate-ը

• OOB Score-ի կայունացումը (Stabilization)

• Cross Validation-ով ստացվող score-ը

• Նշվածներից բոլորը

Bagging-ը օգտակար կլինի այն դեպքում, եթե տրված ալգորիթմը․․․

• Կայուն է

• Անկայուն է

• Ավելի վատն է քան Պատահական Կանխատեսումը (Random Guessing)

• Նշվածներից ոչ մեկը

Ճի՞շտ է արդյոք հետևյալ պնդումը․
«Մեծամասնության ընտրության տեսությունը գործնականում չի աշխատում, քանի որ ալգորիթմների սխալմունքները անկախ չեն»

• ԱՅՈ

• ՈՉ

Ի՞նչ առավելություն ունի Stacking-ը

• Աշխատում է ավելի արագ

• Հեշտ է կիրառվում

• Ավելի լավ է կանխատեսում

• Նշվածներից բոլորը

Ո՞րն է AdaBoost ալգորիթմի հիմնական նպատակը

• Նվազեցնել օգտագործվող Ծառերի քանակը

• Փոխել կանխատեսման շեմը յուրաքանչյուր տվյալի համար

• Թույլ մոդելների համադրությամբ ստանալ լավ մոդել

• Բոլորն էլ ճիշտ են

AdaBoost-ը Ռեգռեսսիայի համար օգտագործելիս, ինչի՞ հիման վրա են փոխվում տվյալների կշիռները

• Մեծանում են իրականին մոտ կանխատեսումների կշիռները

• Բոլոր տվյալները յուրաքանչյուր քայլին ստանում են նույն կշիռը

• Կշիռները հաշվի չեն առնվում վերջնական մոդելի մեջ

• Մեծանում են իրականից հեռու կանխատեսումների կշիռները