أشجار القرار: التحقّق من فهمك

تتحدّك في هذه الصفحة الإجابة عن سلسلة من التمارين المتعدّدة الخيارات حول المادة التي تمت مناقشتها في وحدة "الدروس التطبيقية"

السؤال 1

ما هي تأثيرات استبدال الميزات الرقمية بالقيم السلبية (على سبيل المثال، تغيير القيمة +8 إلى -8) باستخدام الفاصل الرقمي الدقيق؟

سيتم التعامل مع الشروط نفسها، ولن يتم تبديل سوى العناصر الثانوية/السلبية.

رائع.

وسيتم تعلُّم الشروط المختلفة، ولكن ستبقى البنية العامة لشجرة القرارات على حالها.

إذا تغيّرت الميزات، ستتغيّر الشروط.

ستكون بنية شجرة القرارات مختلفة تمامًا.

وتكون شجرة القرارات متماثلة إلى حدٍ كبير. غير أن الشروط ستتغيّر.

السؤال 2

ما هي أفضل إجابتَين لوصف تأثير الاختبار فقط (المحدّد عشوائيًا) من قيم الحدّ الأدنى للمرشح في X؟

ستزداد المعلومات التي يتم الحصول عليها أو تساويها.

وستكون مكاسب المعلومات أقل أو مساوية.

أحسنت.

وستكون دقة الاختبار النهائي أكثر دقة.

ولن يكون لقرار القرار النهائي أي دقة في التدريب.

أحسنت.

السؤال 3

ماذا سيحدث إذا كان &"المعلومات;"منح&و;مقاسية"الشرط" الحد الأقصى للبيانات الخاصة بماكسي محلية متعددة؟

من المستحيل الحصول على الحد الأقصى المحلي.

من الممكن إدخال عدّة قيم محلية.

ستختار الخوارزمية الحد الأقصى المحلي باستخدام أصغر قيمة للحد الأدنى.

ستختار الخوارزمية الحد الأقصى العام.

أحسنت.

السؤال 4

احسب اكتساب المعلومات لتقسيمه التالي:

العُقدة	# من الأمثلة الإيجابية	عدد الأمثلة السلبية
عقدة رئيسية	10	6
الطفل الأول	8	2
طفل ثانٍ	2	4

انقر على الرمز لعرض الإجابة.

# 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

---