결정 트리: 이해한 내용 확인하기

이 페이지에서는 '학습 결정 트리' 단위에 설명된 머티리얼에 관한 객관식 질문에 답하는 방법을 설명합니다.

질문 1

숫자 특성을 음수 값 (예: +8에서 -8로 변경)을 정확한 숫자 분할기로 바꿀 경우 어떤 영향이 있나요?

동일한 조건이 학습되며 포지티브/네거티브 하위 요소만 전환됩니다.

환상적이군요.

다양한 조건이 학습되지만 결정 트리의 전반적인 구조는 동일하게 유지됩니다.

기능이 변경되면 조건이 변경됩니다.

결정 트리의 구조는 완전히 다릅니다.

결정 트리의 구조는 실제로는 동일합니다. 하지만 조건은 변경됩니다.

질문 2

X에서 후보 임곗값의 절반(임의로 선택됨)만 테스트한 효과를 가장 잘 설명하는 두 가지 답변은 무엇인가요?

정보 이득은 더 높거나 같을 것입니다.

정보 이득은 더 작거나 같을 것입니다.

잘하셨습니다.

최종 결정 트리는 테스트 정확성이 더 떨어집니다.

최종 결정 트리는 학습 정확도가 더 낮습니다.

잘하셨습니다.

질문 3

'정보 획득량'과 '임곗값'의 곡선이 여러 로컬 최댓값을 갖고 있다면 어떻게 될까요?

여러 국지적 최댓값을 가질 수 없습니다.

여러 개의 로컬 최댓값을 사용할 수 있습니다.

알고리즘은 가장 작은 임곗값 값을 갖는 로컬 최댓값을 선택합니다.

알고리즘이 전역 최댓값을 선택합니다.

잘하셨습니다.

질문 4

다음 분할의 정보 게인을 계산합니다.

노드	긍정적인 예	제외 예시 수
상위 노드	10	6
첫 번째 자녀	8	2
두 번째 자녀	2	4

정답을 보려면 아이콘을 클릭하세요.

# 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

---