Überwachtes Lernen: Quizfragen und Übungen für Maschinelles Lernen

Question 1

Wofür werden Algorithmen beim überwachten Lernen trainiert?

Accepted Answer

Entscheidungen oder Vorhersagen treffen.

Answer

Muster in nicht beschrifteten Daten erkennen.

Answer

Regressionsaufgaben ausführen.

Answer

Algorithmen entwickeln, die aus Daten lernen können.

Question 2

Welche Art von überwachtem Lernen beinhaltet die Detektion von Anomalien in Daten?

Accepted Answer

Anomalieerkennung

Answer

Clustering

Answer

Regression

Answer

Klassifikation

Question 3

Welches ist das Hauptziel einer Kostenfunktion im überwachten Lernen?

Accepted Answer

Den Fehler zwischen vorhergesagten und tatsächlichen Werten zu minimieren

Answer

Die Daten zu visualisieren

Answer

Die Modellkomplexität zu reduzieren

Answer

Die Vorhersagen zu maximieren

Question 4

Was ist die Hauptfunktion eines Entscheidungsbaums?

Accepted Answer

Daten rekursiv in kleinere Untergruppen aufzuteilen

Answer

Komplexe Muster in Daten zu erkennen

Answer

Vorhersagen basierend auf linearen Beziehungen zu treffen

Answer

Unbeschriftete Daten zu clustern

Question 5

Welcher Ansatz wird verwendet, wenn für eine überwachte Ler Aufgabe nur eine begrenzte Menge an beschrifteten Daten verfügbar ist?

Accepted Answer

Semi-überwachtes Lernen

Answer

Unüberwachtes Lernen

Answer

Transferlernen

Answer

Verstärkungslernen

Question 6

Was unterscheidet einen einzelnen Entscheidungsbaum von einem Zufallsforst?

Accepted Answer

Zufallsforste kombinieren mehrere Entscheidungsbäume, um robustere Vorhersagen zu treffen.

Answer

Entscheidungsbäume sind immer genauer als Zufallsforste.

Answer

Zufallsforste können nur für Klassifizierungsprobleme verwendet werden, Entscheidungsbäume jedoch sowohl für Klassifizierung als auch für Regression.

Answer

Zufallsforste sind anfälliger für Überanpassung als Entscheidungsbäume.

Question 7

Welches ist ein Hauptmerkmal linearer Regressionsmodelle?

Accepted Answer

Sie modellieren lineare Beziehungen zwischen Eingabemerkmalen und einer kontinuierlichen Zielvariablen.

Answer

Sie sind immer nichtlinear.

Answer

Sie erfordern große Datensätze für ein effektives Training.

Answer

Sie können nur binäre Klassifizierungsprobleme lösen.

Question 8

Was ist der Hauptvorteil der Merkmalsextraktion im überwachten Lernen?

Accepted Answer

Relevante Informationen aus Rohdaten zu extrahieren und die Modellleistung zu verbessern.

Answer

Die Trainingszeit des Modells zu verkürzen

Answer

Die Daten zu visualisieren

Answer

Die Anzahl der Eingabemerkmale zu erhöhen

Question 9

Welcher Vorteil ist mit der Verwendung von überwachten Lernalgorithmen verbunden?

Accepted Answer

Sie können genaue Vorhersagen basierend auf historischen Daten treffen.

Answer

Sie erfordern keine Datenkennzeichnung.

Answer

Sie sind für alle Arten von Datenproblemen geeignet.

Answer

Sie sind immer schneller zu trainieren als unüberwachte Lernalgorithmen.

Question 10

Welche der folgenden Aufgaben wird NICHT durch überwachtes Lernen abgedeckt?

Accepted Answer

Clustering

Answer

Regression

Answer

Klassifizierung

Answer

Entscheidungsfindung

Question 11

Welcher Algorithmus eignet sich typischerweise für Regressionsaufgaben?

Accepted Answer

Lineare Regression

Answer

Support Vector Machine

Answer

Entscheidungsbaum

Answer

K-NN

Question 12

Was ist das Ziel der Überanpassungsprävention?

Accepted Answer

Minimierung des Fehlers auf ungesehenen Daten

Answer

Reduzierung der Anzahl der Eingabemerkmale

Answer

Erhöhung der Modellkomplexität

Question 13

Was ist ein wesentlicher Unterschied zwischen einem Entscheidungsbaum und einem Random Forest?

Accepted Answer

Random Forests aggregieren mehrere Entscheidungsbäume.

Answer

Random Forests sind immer genauer als Entscheidungsbäume.

Answer

Entscheidungsbäume verarbeiten numerische Merkmale, während Random Forests kategoriale Merkmale verarbeiten.

Question 14

Was ist der Hauptzweck der Kreuzvalidierung?

Accepted Answer

Abschätzung der Modellgeneralisierungsleistung

Answer

Verbesserung der Modellstabilität

Answer

Ausreißererkennung

Answer

Erhöhung der Trainingsdatenmenge

Question 15

Welche Aussage über überwachtes Lernen trifft am besten zu?

Accepted Answer

Es erfordert markierte Daten für das Training.

Answer

Es ist immer rechenintensiver als unüberwachtes Lernen.

Answer

Es eignet sich ausschließlich für Klassifizierungsaufgaben.

Answer

Es garantiert immer perfekte Vorhersagen.

Question 16

Welchen Vorteil bietet der Einsatz von überwachtem Lernen?

Accepted Answer

Modellierung komplexer Beziehungen

Answer

Keine Notwendigkeit für Datenvorverarbeitung

Answer

Effektive Handhabung kleiner Datensätze

Answer

Ersetzung menschlicher Experten

Question 17

Definieren Sie Überwachtes Lernen.

Accepted Answer

Ein Teilgebiet des Maschinellen Lernens, bei dem Algorithmen anhand markierter Daten trainiert werden, um Vorhersagen oder Entscheidungen zu treffen.

Answer

Ein Prozess, bei dem Algorithmen lernen, Muster in unmarkierten Daten zu identifizieren.

Answer

Ein Ansatz, bei dem Algorithmen manuell für bestimmte Aufgaben konfiguriert werden.

Question 18

Welche der folgenden Aufgaben ist keine Klassifizierungsaufgabe?

Accepted Answer

Vorhersage des Aktienkurses einer bestimmten Aktie

Answer

Erkennung von Objekten auf einem Bild

Answer

Bestimmung, ob eine E-Mail Spam ist

Question 19

Welche Metrik wird verwendet, um die Effizienz eines Klassifikationsmodells zu bewerten?

Accepted Answer

Genauigkeit

Answer

Mittlerer absoluter Fehler

Answer

Mittlere quadratische Abweichung

Answer

R-Quadrat

Question 20

Welcher Klassifikationsalgorithmus ist für seine Fähigkeit zur Regularisierung und Vermeidung von Überanpassung bekannt?

Accepted Answer

Support Vector Machine

Answer

Entscheidungsbaum

Answer

Lineare Regression

Answer

Logistische Regression

Question 21

Was sollte bei der Erstellung eines überwachten Lernmodells unbedingt vermieden werden?

Accepted Answer

Überanpassung

Answer

Ausreißer

Answer

Fehlende Daten

Answer

Unteranpassung

Question 22

Welche Methode kann verwendet werden, um die Überanpassung in einem überwachten Lernmodell zu verringern?

Accepted Answer

Trainingsdatensatz aufteilen

Answer

Erhöhung der Lernrate

Answer

Verringerung der Anzahl der Epochen

Answer

Erhöhung der Anzahl der Merkmale

Question 23

Erklären Sie den Zweck der Kreuzvalidierung.

Accepted Answer

Schätzung der Generalisierungsleistung eines Modells

Answer

Verringerung der Überanpassung

Answer

Verbesserung der Modellgenauigkeit

Question 24

Unterscheiden Sie zwischen Trainings- und Testdaten.

Accepted Answer

Trainingsdaten dienen der Anpassung des Modells, während Testdaten seine Leistung bewerten.

Answer

Trainingsdaten sind größer als Testdaten.

Answer

Testdaten werden zur Anpassung des Modells verwendet.

Question 25

Welcher Algorithmus eignet sich am besten für die Prognose kontinuierlicher Werte?

Accepted Answer

Lineare Regression

Answer

Support Vector Machine

Answer

Logistische Regression

Answer

Entscheidungsbaum

Question 26

Welche Technik kann verwendet werden, um fehlende Daten in einem Datensatz zu bearbeiten?

Accepted Answer

Imputation

Answer

Normalisierung

Answer

Erstellung neuer Features

Answer

Löschung

Question 27

Welche der folgenden Metriken wird häufig zur Bewertung der Leistung von Regressionsmodellen verwendet?

Accepted Answer

Mittlerer quadratischer Fehler (MSE)

Answer

Genauigkeit

Answer

AUC

Answer

F1-Score

Question 28

Was ist das primäre Ziel der Kreuzvalidierung im überwachten Lernen?

Accepted Answer

Reduzierung von Überanpassung und Abschätzung der Generalisierungsleistung

Answer

Verbesserung der Datensicherheit

Answer

Erhöhung der Rechengeschwindigkeit

Question 29

Welches Kriterium ist entscheidend für die Auswahl des besten überwachten Lernmodells?

Accepted Answer

Kompromiss zwischen Verzerrung und Varianz

Answer

Rechenzeit

Answer

Anzahl der Parameter

Answer

Größe des Datensatzes

Question 30

Welche Art von Daten wird typischerweise für überwachtes Lernen verwendet?

Accepted Answer

Markierte Daten

Answer

Unmarkierte Daten

Answer

Zeitreihedaten

Question 31

Wie wird in überwachtem Lernen die Leistung eines Modells auf ungesehenen Daten gemessen?

Accepted Answer

Testdatensatz

Answer

Kreuzvalidierungssatz

Answer

Validierungsdatensatz

Answer

Trainingsdatensatz

Question 32

Welche der folgenden Aussagen beschreibt den Hauptunterschied zwischen Klassifizierungs- und Regressionsmodellen in überwachtem Lernen?

Accepted Answer

Klassifizierungsmodelle prognostizieren diskrete Werte, während Regressionsmodelle kontinuierliche Werte prognostizieren

Answer

Klassifizierungsmodelle sind komplexer als Regressionsmodelle

Question 33

Welcher Teil des überwachten Lernens konzentriert sich auf die Vorhersage diskreter Zielvariablen?

Accepted Answer

Klassifikation

Answer

Clustering

Answer

Dimension Reduction

Answer

Regression

Question 34

Was ist der Hauptzweck des Regularisierungsprozesses im überwachten Lernen?

Accepted Answer

Überanpassung reduzieren

Answer

Die Modellkomplexität maximieren

Answer

Unteranpassung erhöhen

Question 35

Welcher Datentyp ist erforderlich, um überwachte Lernalgorithmen zu trainieren?

Accepted Answer

Markierte Daten

Answer

Unmarkierte Daten

Answer

Aggregierte Daten

Answer

Rohdaten

Question 36

Welche Eigenschaft trifft auf Entscheidungsbäume im überwachten Lernen zu?

Accepted Answer

Sie können sowohl für Klassifikations- als auch für Regressionsaufgaben verwendet werden

Answer

Sie benötigen keine Feature-Skalierung

Answer

Sie sind immer linear trennbar

Question 37

Welche Art von Bias kann in einem überwachten Lernmodell auftreten, wenn die Trainingsdaten die Gesamtpopulation nicht repräsentieren?

Accepted Answer

Selektionsbias

Answer

Überanpassungsbias

Answer

Regularisierungsbias

Answer

Bestätigungsbias

Question 38

Welcher überwachte Lernalgorithmus verwendet eine Kernel-Funktion, um Daten in einen höherdimensionalen Raum abzubilden?

Accepted Answer

Support Vector Machine (SVM)

Answer

Logistische Regression

Answer

Naive Bayes

Answer

Lineare Regression

Question 39

Welche Aussage über neuronale Netze im überwachten Lernen ist korrekt?

Accepted Answer

Sie können komplexe nichtlineare Beziehungen modellieren.

Answer

Sie sind nicht anfällig für Überanpassung.

Answer

Sie sind leicht zu interpretieren.

Answer

Sie erfordern immer eine große Menge an Trainingsdaten.

Question 40

Welcher der folgenden Algorithmen ist ein Beispiel für überwachtes Lernen?

Accepted Answer

Support Vector Machine (SVM)

Answer

EM-Algorithmus

Answer

k-Means-Clustering

Answer

Apriori-Algorithmus

Question 41

Welche Art von Aufgabe beinhaltet die Vorhersage von diskreten Werten?

Accepted Answer

Klassifikation

Answer

Assoziationsanalyse

Answer

Clusterung

Answer

Regression

Question 42

Was ist das Ziel der Regularisierung in überwachten Lernalgorithmen?

Accepted Answer

Überanpassung verhindern

Answer

Modellkomplexität erhöhen

Answer

Trainingszeit verkürzen

Answer

Unteranpassung verhindern

Question 43

Welcher der folgenden Datentypen wird üblicherweise für Klassifizierungsaufgaben verwendet?

Accepted Answer

Kategorisch

Answer

Bild

Answer

Freitext

Answer

Numerisch

Question 44

Welcher der folgenden Algorithmen ist ein Beispiel für einen Ensemble-basierten Lernalgorithmus?

Accepted Answer

Random Forest

Answer

Naive Bayes

Answer

Lineare Regression

Answer

Support Vector Machine (SVM)

Question 45

Welche der folgenden Methoden zielt darauf ab, die Wichtigkeit von Merkmalen in einem überwachten Lernmodell zu bestimmen?

Accepted Answer

Merkmalsgewichtung

Answer

Hyperparameteroptimierung

Answer

Datenaufbereitung

Answer

Modellselektion

Question 46

Welche der folgenden Faktoren beeinflusst **nicht** die Leistung eines überwachten Lernmodells?

Accepted Answer

Trainingszeit

Answer

Algorithmuswahl

Answer

Datenqualität

Answer

Modellkomplexität

Question 47

Was ist der Hauptvorteil von **überwachtem Lernen** im Vergleich zu **unüberwachtem Lernen**?

Accepted Answer

Höhere Genauigkeit bei bekannten Aufgaben

Answer

Geringere Datenabhängigkeit

Answer

Möglichkeit zur Erkennung von Anomalien

Answer

Automatisierte Merkmalsextraktion

Question 48

Welcher der folgenden Algorithmen ist ein Beispiel für **überwachtes Lernen**?

Accepted Answer

Support Vector Machine (SVM)

Answer

Principal Component Analysis (PCA)

Answer

Apriori-Algorithmus

Answer

K-Means-Clustering

Question 49

Was ist das Ziel einer **Klassifizierungsaufgabe**?

Accepted Answer

Zuweisung von Datenpunkten zu vordefinierten Kategorien

Answer

Identifizierung von Mustern in unmarkierten Daten

Answer

Vorhersage kontinuierlicher Werte

Question 50

Welche Metrik wird häufig zur Bewertung der Leistung von **Regressionsmodellen** verwendet?

Accepted Answer

Mittlerer quadratischer Fehler (MSE)

Answer

F1-Maß

Answer

ROC-AUC

Answer

Genauigkeit

Question 51

Welcher der folgenden Schritte ist **nicht** Bestandteil des Workflows von **überwachtem Lernen**?

Accepted Answer

Datensammlung

Answer

Datenvorverarbeitung

Answer

Modellbewertung

Answer

Modelltraining

Question 52

Welcher der folgenden Algorithmen ist ein Beispiel für einen **linearen Klassifikator**?

Accepted Answer

Logistische Regression

Answer

Support Vector Machine (SVM)

Answer

Entscheidungsbaum

Question 53

Was ist der Zweck einer **Verwirrungsmatrix**?

Accepted Answer

Visualisierung der Leistung eines Klassifikators

Answer

Identifizierung von Ausreißern in Daten

Answer

Berechnung der Genauigkeit eines Regressionsmodells

Answer

Normalisierung von Daten

Question 54

Welche der folgenden Aussagen über **überwachte Lernmodelle** ist korrekt?

Accepted Answer

Sie erfordern markierte Daten für das Training.

Answer

Sie können nur für Klassifizierungsaufgaben verwendet werden.

Answer

Sie sind immer deterministisch.

Answer

Sie erfordern keine Merkmalsauswahl.

Question 55

Welcher der folgenden Algorithmen ist ein Beispiel für einen **Entscheidungsbaum**?

Accepted Answer

CART (Classification and Regression Trees)

Answer

k-NN (k-Nearest Neighbors)

Answer

LR (Logistic Regression)

Answer

SVM (Support Vector Machine)

Question 56

Was beschreibt am besten überwachtes Lernen im Bereich des maschinellen Lernens?

Accepted Answer

Algorithmen werden mit markierten Daten trainiert, um Vorhersagen oder Entscheidungen zu treffen.

Answer

Algorithmen lernen aus unmarkierten Daten Muster zu erkennen.

Answer

Algorithmen lernen ohne Daten durch Selbstorganisation.

Question 57

Welche der folgenden Aufgaben ist KEINE typische Klassifizierungsaufgabe im Kontext des maschinellen Lernens?

Accepted Answer

Vorhersage des Aktienkurses

Answer

Diagnose von Krankheiten

Answer

Zuordnung von Kunden zu Risikokategorien

Answer

Identifizierung von Spam-E-Mails

Question 58

Welche Metrik ist am besten geeignet, um die Leistung eines Klassifikationsmodells zu bewerten?

Accepted Answer

Genauigkeit (Accuracy)

Answer

Mittlerer absoluter Fehler (MAE)

Answer

Standardabweichung

Answer

Quadratischer mittlerer Fehler (MSE)

Question 59

Welche Regularisierungsmethode wird üblicherweise eingesetzt, um Überanpassung (Overfitting) in Modellen zu verhindern?

Accepted Answer

L1-Regularisierung (Lasso)

Answer

K-Falten-Kreuzvalidierung

Answer

Normalisierung

Answer

Bagging

Question 60

Welcher der folgenden Algorithmen ist ein Beispiel für einen linearen Klassifikator?

Accepted Answer

Logistische Regression

Answer

Support-Vektor-Maschine (SVM)

Answer

Entscheidungsbaum

Answer

K-Nearest-Neighbors (KNN)

Question 61

Was ist der Hauptvorteil von Entscheidungsbäumen im Vergleich zu anderen Algorithmen?

Accepted Answer

Interpretierbarkeit

Answer

Unanfälligkeit für Überanpassung

Answer

Geringerer Rechenaufwand

Answer

Hohe Genauigkeit

Question 62

Welches Problem kann durch die Verwendung von Bagging (Bootstrap Aggregating) in der Regel gelöst werden?

Accepted Answer

Varianzreduzierung

Answer

Multikollinearität

Answer

Überanpassung

Answer

Unteranpassung

Question 63

In welchem Szenario ist eine Support-Vektor-Maschine (SVM) einem Entscheidungsbaum in der Regel überlegen?

Accepted Answer

Wenn der Datensatz nicht linear trennbar ist.

Answer

Wenn der Datensatz viel Rauschen enthält.

Answer

Wenn der Datensatz eine hohe Dimensionalität aufweist.

Answer

Wenn der Datensatz sehr groß ist.