Entscheidungsbäume und Zufallswälder: Interaktive Lernquizzes für Maschinelles Lernen

Question 1

Was beschreibt Zufallsforste am besten?

Accepted Answer

Eine Sammlung von Entscheidungsbäumen, die auf unterschiedlichen Datenteilmengen trainiert wurden

Answer

Ein lineares Modell

Answer

Immer deterministisch

Answer

Nur für Klassifizierungsaufgaben geeignet

Question 2

Welche der folgenden Begriffe beschreibt die Teilmenge der Merkmale, die zum Aufteilen eines Knotens in einem Entscheidungsbaum verwendet werden?

Accepted Answer

Kandidatengesamtmenge

Answer

Informationsgewinn

Answer

Entropie

Answer

Gini-Index

Question 3

Welcher der folgenden Boosting-Algorithmen weist falsch klassifizierten Instanzen höhere Gewichte zu, um sie in nachfolgenden Bäumen stärker zu berücksichtigen?

Accepted Answer

AdaBoost

Answer

Gradienten-Boosting

Answer

Zufallsforst

Answer

Bagging

Question 4

Welches der folgenden Kriterien beschreibt die Eigenschaft, nach der in einem Entscheidungsbaum Daten aufgeteilt werden?

Accepted Answer

Attribut

Answer

Wert

Answer

Klassifikation

Answer

Blatt

Question 5

Welcher Algorithmus wird zur Erzeugung von Zufallswäldern eingesetzt?

Accepted Answer

Bagging

Answer

Boosting

Answer

Stacking

Answer

AdaBoost

Question 6

Welche Technik wird verwendet, um die Überanpassung von Entscheidungsbäumen zu verhindern?

Accepted Answer

Pruning

Answer

Regularisierung

Answer

Drop-out

Answer

Early Stopping

Question 7

Welcher Hyperparameter in Entscheidungsbäumen bestimmt die maximale Tiefe des Baumes?

Accepted Answer

Max_depth

Answer

Min_samples_split

Answer

Min_samples_leaf

Answer

Max_features

Question 8

Welcher wesentliche Vorteil ergibt sich aus der Verwendung von Zufallsbäumen im Vergleich zu einzelnen Entscheidungsbäumen?

Accepted Answer

Reduzierte Überanpassung

Answer

Erhöhte Genauigkeit

Answer

Geringerer Rechenaufwand

Answer

Verbesserte Interpretierbarkeit

Question 9

Welcher Algorithmus wird eingesetzt, um mehrere schwache Entscheidungsbäume zu einem leistungsstarken Lernmodell zu kombinieren?

Accepted Answer

Boosting

Answer

Bagging

Answer

Stacking

Answer

Ensemble Learning

Question 10

Was ist das Ziel des Beschneidens eines Entscheidungsbaums?

Accepted Answer

Reduzierung von Überanpassung

Answer

Steigerung der Genauigkeit

Answer

Verbesserung der Interpretierbarkeit

Answer

Minimierung des Rechenaufwands

Question 11

Welcher wesentliche Unterschied besteht zwischen Entscheidungsbäumen und linearen Modellen?

Accepted Answer

Alle der oben genannten.

Answer

Entscheidungsbäume sind nichtparametrische Modelle, während lineare Modelle parametrische Modelle sind.

Answer

Entscheidungsbäume können nichtlineare Zusammenhänge modellieren, während lineare Modelle nur lineare Zusammenhänge modellieren können.

Answer

Entscheidungsbäume sind in der Regel leichter interpretierbar als lineare Modelle.

Question 12

Welcher Knotentyp in einem Entscheidungsbaum ist verantwortlich für die Vorhersage des Zielwerts?

Accepted Answer

Endknoten

Answer

Wurzelknoten

Answer

Innerer Knoten

Answer

Verzweigungs knoten

Question 13

Wie wirkt sich die Tiefe eines Entscheidungsbaums auf seine Vorhersageleistung aus?

Accepted Answer

Tiefere Bäume können zu Überanpassung neigen.

Answer

Tiefere Bäume führen stets zu besseren Vorhersagen.

Answer

Tiefere Bäume sind immer rechenintensiver.

Answer

Die Tiefe des Baums ist irrelevant für die Vorhersageleistung.

Question 14

Was ist der Hauptvorteil von Zufallsbäumen gegenüber einzelnen Entscheidungsbäumen?

Accepted Answer

Verbesserte Robustheit gegenüber Überanpassung

Answer

Vereinfachte Interpretation der Ergebnisse

Answer

Höhere Rechengeschwindigkeit

Answer

Geringerer Speicherbedarf

Question 15

Welche der folgenden Anwendungen eignet sich besonders für Entscheidungsbäume?

Accepted Answer

Medizinische Diagnose

Answer

Bildklassifizierung

Answer

Spracherkennung

Answer

Zeitreihendatenanalyse

Question 16

Was ist die Funktion des Beschneidens bei Entscheidungsbäumen?

Accepted Answer

Reduktion von Überanpassung

Answer

Verbesserung der Prognosequalität

Answer

Erhöhung der Rechenzeit

Answer

Erweiterung der Baumtiefe

Question 17

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

Accepted Answer

Random Forests nutzen eine zufällige Teilmenge von Attributen.

Answer

Random Forests bestehen aus deterministischen Bäumen.

Answer

Entscheidungsbäume können keine numerischen Attribute verarbeiten.

Answer

Random Forests sind immer tiefer als Entscheidungsbäume.

Question 18

Welche Art von Boosting-Algorithmus verwendet die Adaboost-Methode?

Accepted Answer

AdaBoost

Answer

Gradient Boosting

Answer

Random Forest Boosting

Answer

XGBoost

Question 19

Welche der folgenden Aussagen beschreibt die Tiefe eines Entscheidungsbaums?

Accepted Answer

Die Höhe des Baums

Answer

Die Anzahl der Knoten im Baum

Answer

Die maximale Anzahl von Verzweigungen, die von einem Knoten ausgehen

Answer

Die Anzahl der Blätter im Baum

Question 20

Welcher der folgenden Begriffe beschreibt die Anzahl der Merkmale, die bei jedem Knoten in einem zufälligen Wald berücksichtigt werden?

Accepted Answer

Merkmalsanzahl

Answer

Knotenanzahl

Question 21

Welcher Algorithmus wird zur Generierung von Zufallswäldern eingesetzt?

Accepted Answer

Bagging

Answer

AdaBoost

Answer

K-NN

Answer

SVM

Question 22

Welcher Algorithmus bildet die Basis für Entscheidungsbäume?

Accepted Answer

ID3

Answer

Bagging

Answer

Boosting

Question 23

Welche der folgenden Aussagen beschreibt Entscheidungsbäume korrekt?

Accepted Answer

Hierarchische Modelle, die Datenpunkte durch sequentielle Aufteilungen unterteilen

Answer

Nur für binäre Klassifizierungsprobleme geeignet

Answer

Immer deterministische Modelle ohne Zufälligkeit

Answer

Erfordern keine Optimierung von Hyperparametern

Question 24

Welcher der folgenden Algorithmen wird verwendet, um einen Entscheidungsbaum zu trainieren?

Accepted Answer

ID3

Answer

Bagging

Answer

AdaBoost

Answer

Random Forest

Question 25

Welches Kriterium wird beim ID3-Algorithmus zur Auswahl des besten Split-Attributs herangezogen?

Accepted Answer

Informationsgewinn

Answer

Entropie

Answer

Abweichung

Answer

Gini-Index

Question 26

Was beschreibt einen Zufallswald?

Accepted Answer

Ein Ensemble aus Entscheidungsbäumen, trainiert auf Teilmengen des Datensatzes

Answer

Ein einzelner Entscheidungsbaum, trainiert mit sämtlichen Daten

Answer

Ein Algorithmus, der lineare Funktionen für Entscheidungsfindung nutzt

Question 27

Welcher Algorithmus wird genutzt, um einzelne Entscheidungsbäume in einem Zufallswald zu trainieren?

Accepted Answer

Bootstrap-Aggregation

Answer

K-Falten-Validierung

Answer

Kreuzvalidierung

Answer

Grid-Suche

Question 28

Welche Metrik wird üblicherweise zur Bewertung der Entscheidungsbaum-Performance herangezogen?

Accepted Answer

Gini-Index

Answer

Mittlerer absoluter Fehler

Answer

F-Maß

Answer

Mittlerer quadratischer Fehler

Question 29

Was ist ein Vorteil des Boostings in Hinblick auf Entscheidungsbäume?

Accepted Answer

Erhöhte Vorhersagegenauigkeit durch sequentielles Trainieren von Bäumen

Answer

Reduzierung von Varianz

Answer

Reduzierung von Überanpassung

Question 30

Welche Einschränkung ist mit Entscheidungsbäumen verbunden?

Accepted Answer

Anfälligkeit für Überanpassung

Answer

Erfordernis einer umfangreichen Anzahl von Trainingsdaten

Answer

Hohe Rechenkosten

Answer

Schwierigkeit bei der Modellierung komplexer Beziehungen

Question 31

Wo liegt der Unterschied zwischen einem Entscheidungsbaum und einem Regelbaum?

Accepted Answer

Regelbäume generieren Regelsätze, während Entscheidungsbäume hierarchische Strukturen erzeugen

Answer

Entscheidungsbäume nutzen numerische Daten, während Regelbäume kategorische Daten nutzen

Answer

Regelbäume sind stets genauer als Entscheidungsbäume

Question 32

Welche Anwendung finden Entscheidungsbäume im Bereich des maschinellen Lernens?

Accepted Answer

Klassifikation und Regression

Answer

Zeitreihenanalyse

Answer

Clusterung

Answer

Natural Language Processing

Question 33

Welcher Parameter begrenzt die maximale Tiefe eines Entscheidungsbaums?

Accepted Answer

max_depth

Answer

max_features

Answer

min_samples_split

Answer

criterion

Question 34

Was ist der wesentliche Unterschied zwischen einem Entscheidungsbaum und einem Zufallsbaum?

Accepted Answer

Zufallsbäume nutzen bei der Erstellung von Teilbäumen zufällige Teilmengen der Merkmale

Answer

Zufallsbäume sind immer tiefer als Entscheidungsbäume

Answer

Entscheidungsbäume werden ausschließlich für binäre Klassifizierungsprobleme eingesetzt

Question 35

Welcher der folgenden Algorithmen ist kein Boosting-Algorithmus?

Accepted Answer

Zufallsbäume

Answer

AdaBoost

Answer

Gradient Boosting Machines

Answer

XGBoost

Question 36

Welche Vorteile bieten Zufallswälder gegenüber einzelnen Entscheidungsbäumen?

Accepted Answer

Verbesserte Generalisierung und geringere Überanpassung

Answer

Erhöhte Rechenzeit

Answer

Komplexere Entscheidungsregeln

Question 37

Wie heißt die Methode, die einzelne Entscheidungsbäume zu einem Zufallsbaum kombiniert?

Accepted Answer

Bagging

Answer

Stacking

Answer

Boosting

Question 38

Welche Aussage über Entscheidungsbäume ist korrekt?

Accepted Answer

Sie können sowohl für Klassifikations- als auch für Regressionsprobleme eingesetzt werden

Answer

Sie sind immer nichtlineare Klassifikatoren

Answer

Sie können nur numerische Merkmale verarbeiten

Question 39

Welches der folgenden Kriterien kann zur Selektion der optimalen Merkmalsteilmenge für einen Zufallsbaum herangezogen werden?

Accepted Answer

Informationsgewinn

Answer

Euklidischer Abstand

Answer

Mittlerer absoluter Fehler

Answer

Korrelationskoeffizient

Question 40

Welche der folgenden Aussagen beschreibt einen Entscheidungsbaum am besten?

Accepted Answer

Ein hierarchisches Modell, das Daten basierend auf einer Reihe von bedingten Verzweigungen in Kategorien aufteilt.

Answer

Ein lineares Modell, das einen Datensatz in zwei Teilmengen aufteilt.

Answer

Ein statistisches Modell, das die Wahrscheinlichkeit eines Ergebnisses auf Basis historischer Daten berechnet.

Question 41

Welches Aufteilungskriterium wird häufig in Entscheidungsbäumen verwendet?

Accepted Answer

Informationsgewinn

Answer

Mittelwert

Answer

Korrelationskoeffizient

Answer

Varianz

Question 42

Welche Eigenschaft von Entscheidungsbäumen kann zu Überanpassung führen?

Accepted Answer

Große Baumtiefe

Answer

Niedrige Trainingsfehlerquote

Answer

Geringe Anzahl an Blättern

Question 43

Was ist der Hauptzweck eines Zufallswaldes?

Accepted Answer

Reduzierung von Varianz und Überanpassung durch die Kombination mehrerer Entscheidungsbäume.

Answer

Verbesserung der Vorhersagegenauigkeit durch Verwendung eines komplexeren Modells.

Answer

Automatische Merkmalsauswahl durch Entfernen redundanter Merkmale.

Question 44

Welcher Algorithmus wird zum Erstellen von Entscheidungsbäumen in einem Zufallswald verwendet?

Accepted Answer

Bootstrap-Aggregation (Bagging)

Answer

Decision Stumping

Answer

AdaBoost

Answer

Boosting

Question 45

Welcher Vorteil ergibt sich aus der Verwendung von Zufallswäldern im Vergleich zu einzelnen Entscheidungsbäumen?

Accepted Answer

Erhöhte Robustheit gegenüber Rauschen und Ausreißern

Answer

Bessere Interpretierbarkeit

Answer

Verringerte Rechenzeit

Question 46

Welche Herausforderung kann bei der Anwendung von Boosting-Algorithmen auftreten?

Accepted Answer

Überanpassung

Answer

Hohe Rechenzeit

Answer

Unteranpassung

Question 47

Welches Kriterium wird zur Bestimmung des Aufteilungspunktes in einem Entscheidungsbaum verwendet?

Accepted Answer

Informationsgewinn

Answer

Anzahl der Geschwisterknoten

Answer

Klassifizierungsgenauigkeit

Answer

Abweichung

Question 48

Welches Merkmal ist charakteristisch für Zufallswälder?

Accepted Answer

Sie bestehen aus mehreren Entscheidungsbäumen, die mit unterschiedlichen Datensätzen erstellt wurden.

Answer

Sie sind deterministische Modelle.

Answer

Sie verwenden ausschließlich einen Entscheidungsbaum.

Question 49

Welches Verfahren wird zur Reduzierung von Überanpassung in Zufallswäldern eingesetzt?

Accepted Answer

Bagging

Answer

Regularisierung

Answer

Kreuzvalidierung

Answer

Boosting

Question 50

Welche der folgenden Aussagen beschreibt eine potenzielle Einschränkung von Entscheidungsbäumen?

Accepted Answer

Anfälligkeit gegenüber verrauschten Daten

Answer

Unfähigkeit, numerische Daten zu verarbeiten

Answer

Überlegenheit gegenüber anderen Modellen bei Klassifizierungsaufgaben

Question 51

Welcher Vorteil von Entscheidungsbäumen ist entscheidend für die Modellierung komplexer Beziehungen?

Accepted Answer

Erfassung nichtlinearer Beziehungen

Answer

Geringere Überanpassungsgefahr

Answer

Höhere Vorhersagegenauigkeit

Answer

Bessere Interpretierbarkeit

Question 52

Welches Ziel verfolgt die Auswahl des optimalen Aufteilungspunkts in einem Entscheidungsbaum?

Accepted Answer

Maximierung des Informationsgewinns

Answer

Verbesserung der Vorhersagegenauigkeit

Answer

Minimierung der Varianz

Question 53

Was ist das primäre Ziel eines Boosting-Algorithmus?

Accepted Answer

Sequenzielle Kombination schwacher Lernender zu einem starken Lerner

Answer

Reduzierung der Varianz

Answer

Erhöhung der Vorhersagegenauigkeit

Question 54

Welcher der folgenden Algorithmen wird häufig als schwacher Lerner in Boosting-Verfahren eingesetzt?

Accepted Answer

Entscheidungsstumpf

Answer

Support-Vektor-Maschine

Answer

Regressionsbaum

Answer

Neuronales Netzwerk

Question 55

Was ist ein entscheidender Vorteil des AdaBoost-Algorithmus?

Accepted Answer

Erhöhung der Gewichte von schwer klassifizierbaren Instanzen

Answer

Bessere Interpretierbarkeit

Answer

Reduzierung der Varianz

Answer

Erhöhung der Vorhersagegenauigkeit

Question 56

Welche Einschränkung kann sowohl für Entscheidungsbäume als auch Zufallsbäume problematisch sein?

Accepted Answer

Empfindlichkeit gegenüber Rauschen in den Daten

Answer

Geringere Vorhersagegenauigkeit

Answer

Schwierige Interpretierbarkeit

Answer

Hohe Rechenzeit

Question 57

Welcher Parameter beeinflusst die Anzahl der berücksichtigten Merkmale bei jedem Split in einem Entscheidungsbaum?

Accepted Answer

max_features

Answer

min_samples_split

Answer

max_depth

Answer

min_samples_leaf

Question 58

Welches Maß wird verwendet, um die Unreinheit eines Knotens in einem Entscheidungsbaum zu quantifizieren?

Accepted Answer

Entropie oder Gini-Index

Answer

Standardabweichung

Answer

Varianz

Question 59

Welches der folgenden Algorithmen ist ein Beispiel für Ensemble-Lernen?

Accepted Answer

Zufallswald

Answer

Support-Vektor-Maschine

Answer

K-nächste-Nachbarn

Answer

Naive Bayes

Question 60

Was ist der wesentliche Unterschied zwischen einem Entscheidungsbaum und einem Zufallsbaum?

Accepted Answer

Zufallsbäume berücksichtigen bei jedem Split einen zufälligen Teilsatz der Merkmale.

Answer

Zufallsbäume haben im Allgemeinen eine größere Tiefe als Entscheidungsbäume.

Answer

Zufallsbäume sind immer genauer als Entscheidungsbäume.

Question 61

Welches Kriterium wird verwendet, um den optimalen Splitpunkt für ein Attribut in einem Entscheidungsbaumknoten zu ermitteln?

Accepted Answer

Minimaler Informationsgewinn oder minimaler Gini-Index

Answer

Minimale Varianz

Answer

Maximale Entropie

Question 62

Was ist ein wesentlicher Vorteil von Entscheidungsbäumen gegenüber anderen maschinellen Lernalgorithmen?

Accepted Answer

Erklärbarkeit

Answer

Kurze Trainingszeit

Answer

Geringe Komplexität

Answer

Hohe Genauigkeit

Question 63

Welches Kriterium wird häufig verwendet, um den optimalen Splitpunkt für ein numerisches Merkmal in einem Entscheidungsbaum zu finden?

Accepted Answer

Gini-Verunreinigung

Answer

Pearson-Korrelationskoeffizient

Answer

Manhattan-Distanz

Answer

Euklidische Distanz

Question 64

Was ist ein Vorteil von Entscheidungsbäumen gegenüber anderen Algorithmen des maschinellen Lernens?

Accepted Answer

Leichte Interpretierbarkeit

Answer

Immunität gegen Überanpassung

Answer

Geringere Anfälligkeit für das Problem des verschwindenden Gradienten

Answer

Immer die höchste Genauigkeit