5.13: Quiz mô hình cây trong phân tích hồi quy
5.13: Quiz mô hình cây trong phân tích hồi quy
Quiz Summary
0 of 5 Questions completed
Questions:
Information
You have already completed the quiz before. Hence you can not start it again.
Quiz is loading…
You must sign in or sign up to start the quiz.
You must first complete the following:
Results
Results
0 of 5 Questions answered correctly
Your time:
Time has elapsed
You have reached 0 of 0 point(s), (0)
Earned Point(s): 0 of 0, (0)
0 Essay(s) Pending (Possible Point(s): 0)
Categories
- Not categorized 0%
- 1
- 2
- 3
- 4
- 5
- Current
- Review
- Answered
- Correct
- Incorrect
-
Question 1 of 5
1. Question
Trong những câu dưới đây, câu nào mô tả đúng về mô hình cây quyết định (Decision Tree)?
CorrectIncorrectHint
Mô hình cây (decision tree) là một phương pháp học có giám sát trong machine learning, được sử dụng để dự đoán giá trị đầu ra (output) của một bộ dữ liệu có đầu vào (input). Mô hình cây sử dụng các quyết định điều kiện (conditions) để phân chia tập dữ liệu thành các tập con nhỏ hơn, và đi dần xuống tới lá cây cho tới khi chạm tới giá trị dừng (ví dụ: max_depth) hoặc nút (node) đã hoàn toàn đồng nhất (bao gồm chỉ 1 giá trị)
-
Question 2 of 5
2. Question
Đặc điểm của mô hình dạng cây là gì?
CorrectIncorrectHint
Mỗi lần phân chia dữ liệu tại mỗi nút, quyết định phân chia được đưa ra dựa trên một biến đầu vào và một giá trị ngưỡng. Vì vậy, nếu giá trị dữ liệu thay đổi, nó có thể làm thay đổi biến đầu vào được chọn và giá trị ngưỡng được sử dụng để phân chia dữ liệu, và từ đó có thể làm thay đổi cấu trúc cây.
-
Question 3 of 5
3. Question
Trong các câu dưới đây, câu nào mô tả đúng về phương pháp phân chia các nút (node) trong cây quyết định?
CorrectIncorrectHint
-
Question 4 of 5
4. Question
Nhược điểm của mô hình cây quyết định là gì?
CorrectIncorrectHint
- Mô hình cây có thể học rất tốt các mẫu trong tập train, nhưng không thể tổng quát hóa tốt với các mẫu mới nằm ngoài tập train. Do đó, mô hình cây có hiệu suất kém với các mẫu có giá trị nằm ngoài tập train (overfitting).
- Mô hình cây có thể có độ tính toán cao khi số lượng nút của cây rất lớn hoặc khi cây sâu (deep tree). Khi mô hình cây phức tạp hơn, việc tìm kiếm các điểm dữ liệu phù hợp và tính toán các giá trị phân loại hoặc dự đoán sẽ mất nhiều thời gian hơn. Tuy nhiên mô hình cây quyết định vẫn là 1 mô hình có độ tính toán thấp khi so sánh với mô hình dạng cây khác.
- Mô hình cây không cần chuẩn hoá dữ liệu bởi vì nó không ảnh hưởng đến cách mà mô hình tạo ra các quyết định. Trong cây quyết định, các quyết định được đưa ra bằng cách so sánh các giá trị đặc trưng với các ngưỡng được chọn trong quá trình xây dựng cây.
- Mô hình cây có thể hoạt động trên các dữ liệu phi tuyến tính bởi vì nó không đặt giả thuyết về tính tuyến tính của mối quan hệ giữa các biến đầu vào và đầu ra. Thay vào đó, mô hình cây phân tách dữ liệu thành các nhóm dựa trên các giá trị ngưỡng của các biến đầu vào.
-
Question 5 of 5
5. Question
Ưu điểm của mô hình cây quyết định là gì?
CorrectIncorrectHint
- Vì mô hình cây sử dụng ngưỡng giá trị của các thuộc tính để phân tách các mẫu vào các nhóm khác nhau nên việc chuẩn hoá không ảnh hưởng đến quyết định của mô hình và không sử dụng các phép tính khoảng cách giữa các mẫu như các thuật toán khác như K-Means hay KNN. Do đó, việc chuẩn hoá dữ liệu để các mẫu có khoảng cách giữa nhau tương đương không cần thiết.
- Mô hình cây có thể có độ tính toán cao khi số lượng nút của cây rất lớn hoặc khi cây sâu (deep tree). Khi mô hình cây phức tạp hơn, việc tìm kiếm các điểm dữ liệu phù hợp và tính toán các giá trị phân loại hoặc dự đoán sẽ mất nhiều thời gian hơn. Tuy nhiên mô hình cây quyết định vẫn làm 1 mô hình có độ tính toán thấp khi so sánh với mô hình dạng cây khác.
- Không phải lúc nào mô hình cây cũng có độ hội tụ cao sau vài bước huấn luyện. Độ hội tụ của mô hình cây phụ thuộc vào nhiều yếu tố như cấu trúc của cây, số lượng cây, độ sâu của cây, tỷ lệ phân chia các nhánh, v.v.