WorksheetsDS_ensemble
Total questions: 9
Worksheet time: 5mins
Как работает алгоритм дерева решений (классификация)?
Разделяет данные на группы, минимизируя энтропию или критерий Джини на каждом шаге
Использует градиентный спуск для оптимизации весов
Строит линейные комбинации признаков
Кластеризует данные по расстоянию до центроидов
Какой параметр ограничивает переобучение в дереве решений?
learning_rate
max_depth
n_estimators
ccp_alpha
Что измеряет критерий Джини в дереве решений?
Среднеквадратичную ошибку
Степень неопределенности в узле
Вероятность принадлежности к классу
Корреляцию между признаками
В чём отличие бэггинга и бустинга?
Бэггинг строит модели параллельно, бустинг — последовательно
Бустинг усредняет предсказания, бэггинг комбинирует с весами
Бэггинг всегда использует деревья, бустинг — линейные модели
Бустинг работает только для регрессии
Какой алгоритм НЕ является ансамблевым?
Random Forest
Gradient Boosting
Logistic Regression
Дерево решений
Как работает Random Forest?
Строит одно глубокое дерево с лучшими признаками
Обучает множество деревьев на бутстрапированных выборках и усредняет их предсказания
Последовательно улучшает ошибки предыдущих моделей
Использует только категориальные признаки
Какое преимущество у LightGBM перед XGBoost?
Только работает с категориальными признаками
Использует градиентный спуск вместо случайного леса
Более быстрая тренировка за счёт гистограммного метода
Не требует настройки гиперпараметров
Как CatBoost обрабатывает категориальные признаки?
Использует target encoding и перестановки для борьбы с переобучением
Игнорирует их, работая только с числовыми
Применяет PCA для уменьшения размерности
Какой параметр в XGBoost контролирует скорость обучения?
max_depth
learning_rate
n_estimators
subsample
