DS jun lesson 15 - Decision Trees + LogReg

8. Почему логистическая регрессия использует сигмоид вместо линейной функции?

• • a) Чтобы ограничить выходные значения в диапазоне (0,1)

• • b) Чтобы ускорить градиентный спуск

• • c) Чтобы уменьшить дисперсию данных

• • d) Чтобы предотвратить переобучение

9. Какой из этих методов НЕ используется для оценки качества логистической регрессии?

• • a) ROC AUC

• • b) Precision-Recall

• • c) Gini impurity

• • d) Log Loss

Какой из этих параметров НЕ влияет на сложность дерева решений?

• • a) max_depth

• • b) min_samples_split

• • c) learning_rate

• • d) min_samples_leaf

1. Дано разбиение узла:

До разбиения: 100 объектов (класс 1: 50, класс 2: 50)
После разбиения:

• Левый узел: 60 объектов (класс 1: 40, класс 2: 20)

• Правый узел: 40 объектов (класс 1: 10, класс 2: 30)

Каков прирост информации (Information Gain) при разбиении, если используется энтропия?

• • a) 0.02

• • b) 0.05

• • c) 0.12

• d) 0.19

В каком диапазоне изменяется предсказание логистической регрессии до применения порога?

• • a) 0 до 1

• • b) -∞ до +∞

• • c) -1 до 1

• • d) 0 до 10

Что означает коэффициент перед признаком в логистической регрессии?

• • a) Сила влияния признака на вероятность

• • b) Ошибку модели

• • c) Степень нелинейности модели

• • d) Число деревьев в ансамбле

6. Какова дисперсия набора данных {2, 4, 4, 6, 8}?

• • a) 4

• • b) 3

• • c) 2

• • d) 5

1. Какой критерий чаще всего используется для разбиения узла в деревьях решений?

• • a) Градиентный спуск

• • b) Информационный прирост

• • c)Среднеквадратичная ошибка

• • d) ROC AUC

Какова энтропия набора, состоящего из 4 объектов класса A и 4 объектов класса B?

• 1

• 0

• 0.5

• 2

Какой показатель показывает, насколько разбиение уменьшает разброс данных?

• • a) Gini impurity

• • b) Variance reduction

• • c) F1-score

• • d) Overfitting score