Soru 1 / 10
Çok Değişkenli Yöntemler ve Makine Öğrenmesi · Sınıflandırma
Sonra bak
MerQur Rastgele Orman analizinde 'mtry (bölünmede değişken sayısı)' küçük bir değere ayarlandığında ne beklenir?
A Ağaçlar birbirinden daha farklı olur, ancak her bir ağaç tek başına zayıflar
B Her ağaç tüm değişkenleri dener ve ağaçlar birbirinin neredeyse aynı kopyasına dönüşür
C Model regresyondan sınıflandırmaya geçer
D Ağaçlardaki en küçük yaprak boyutu otomatik olarak büyür
E Ormandaki ağaç sayısı azaltılmış gibi OOB hatası hesaplanamaz hale gelir
Önceki
Seçimi kaldır
Sonraki
Soru 2 / 10
Çok Değişkenli Yöntemler ve Makine Öğrenmesi · Sınıflandırma
Sonra bak
Harrell'in bootstrap iyimserlik düzeltmesinde bir tekrardaki 'iyimserlik' nasıl elde edilir?
A Özgün verideki başarımdan ayrı bir test kümesindeki başarım çıkarılır ve fark iyimserlik sayılır
B Model özgün veride bir kez kurulur, bootstrap örneklemlerinde yalnız başarımı yeniden ölçülür
C Bootstrap örnekleminde yeniden kurulan modelin o örneklemdeki ve özgün verideki başarım farkı alınır
D Görünür başarım bootstrap tekrar sayısına bölünerek tekrar başına iyimserlik bulunur
E Çapraz doğrulama katlarının ortalama başarımından bu başarımın standart hatası çıkarılır
Önceki
Seçimi kaldır
Sonraki
Soru 3 / 10
Çok Değişkenli Yöntemler ve Makine Öğrenmesi · Sınıflandırma
Sonra bak
Bir analist gradyan artırma modelinde tur (ağaç) sayısını 100'den 2000'e çıkarıyor ve doğrulama hatasının yaklaşık 400. turdan sonra yeniden yükseldiğini görüyor. Bu bulgunun en doğru yorumu hangisidir?
A Yükseliş yalnız hesaplama süresinin uzamasından kaynaklanır ve tahminleri etkilemez
B Doğrulama hatasının yükselmesi öğrenme oranının çok küçük seçildiğini gösterir ve oran büyütülmelidir
C Gradyan artırmada tur sayısı model karmaşıklığını belirler; yükseliş aşırı uyuma işaret eder ve tur sayısı erken durdurma ya da çapraz geçerlemeyle seçilmelidir
D Rastgele ormanda olduğu gibi ağaç eklemek aşırı uyum yaratmaz; yükseliş rastlantısaldır ve ağaç sayısı artırılmaya devam edilirse hata yeniden düşecektir
E Bu durum modelin eksik uyum gösterdiğini, bu yüzden ağaçların derinleştirilmesi gerektiğini gösterir
Önceki
Seçimi kaldır
Sonraki
Soru 4 / 10
Çok Değişkenli Yöntemler ve Makine Öğrenmesi · Sınıflandırma
Sonra bak
k-En Yakın Komşu analizinde Wine verisinde k = 5 ve z puanıyla Değerlendirme 'Eğitim / test bölmesi' (54 test gözlemi) iken doğruluk 0.9444'tür. '10 katlı çapraz doğrulama' seçildiğinde sonuç hangisidir?
A Doğruluk 0.9815 (n = 54); kappa 0.9719
B Doğruluk 0.9719 (n = 54); kappa 0.9444
C Doğruluk 0.9444 (n = 54); kappa 0.9575
D Doğruluk 0.9630 (n = 178); kappa 0.9575
E Doğruluk 0.9719 (n = 178); kappa 0.9575
Önceki
Seçimi kaldır
Sonraki
Soru 5 / 10
Çok Değişkenli Yöntemler ve Makine Öğrenmesi · Sınıflandırma
Sonra bak
Bir modelin ortalama kesinliği (AP), pozitiflerin %2 olduğu A veri setinde 0,30, pozitiflerin %40 olduğu B veri setinde 0,45 bulunmuştur. Bu iki değer nasıl yorumlanmalıdır?
A Model B veri setinde açıkça daha başarılıdır, çünkü AP değeri daha yüksektir ve şans düzeyi her iki veride aynıdır
B AP prevalansla birlikte okunmalıdır; A'daki değer şans düzeyinin çok, B'deki ancak biraz üstündedir
C İki AP de 0,5'in altında olduğundan model iki veri setinde de şanstan farksızdır
D AP yalnız ROC AUC ile birlikte anlam taşıdığından tek başına yorumlanmaz
E AP prevalanstan bağımsız olduğu için iki değer doğrudan karşılaştırılabilir
Önceki
Seçimi kaldır
Sonraki
Soru 6 / 10
Çok Değişkenli Yöntemler ve Makine Öğrenmesi · Sınıflandırma
Sonra bak
Yinelemeli öğrenen modellerde erken durdurma nasıl çalışır?
A Önceden belirlenen sabit bir süre dolduğunda eğitim, başarıma bakılmadan kesilir
B Test kümesindeki başarım düşmeye başladığında eğitim kesilir ve bu başarım raporlanır
C Her turda ağaç derinliği bir azaltılarak model adım adım sadeleştirilir
D Doğrulama kümesinde başarım belli sayıda tur iyileşmezse durur ve en iyi tur kullanılır
E Eğitim verisindeki hata sıfıra ulaştığında eğitim durdurulur ve son tur kullanılır
Önceki
Seçimi kaldır
Sonraki
Soru 7 / 10
Çok Değişkenli Yöntemler ve Makine Öğrenmesi · Sınıflandırma
Sonra bak
Gradyan Artırmada Boston verisinde XGBoost ile Alt örneklem oranı 1.0 iken test R² 0.9058'dir. Oran 0.5 seçildiğinde (tohum 42) hangisi doğrudur?
A R² 0.9159 olur; sonuç tohuma bağlı hâle gelir
B R² 0.9159 olur; sonuç tohumdan bağımsızdır
C R² 0.8470 olur; sonuç tohuma bağlı hâle gelir
D R² 0.9058 kalır; model deterministik kalır
E R² 0.9153 olur; motor GradientBoosting'e geçer
Önceki
Seçimi kaldır
Sonraki
Soru 8 / 10
Çok Değişkenli Yöntemler ve Makine Öğrenmesi · Sınıflandırma
Sonra bak
Destek Vektör Makinesinde Pima verisinde Olasılık eşiği 0.3 iken doğruluk 0.675, karar AUC'si 0.7143'tür. Eşik 0.7 seçildiğinde hangisi doğrudur?
A Doğruluk 0.575'e düşer; karar AUC'si 0.7143 kalır
B Doğruluk 0.575'e düşer; AUC Platt ile yeniden ölçeklenir
C Doğruluk 0.575'e düşer; karar AUC'si de düşer
D Doğruluk 0.675 kalır; karar AUC'si 0.7143 kalır
E Doğruluk 0.725'e çıkar; karar AUC'si değişmez
Önceki
Seçimi kaldır
Sonraki
Soru 9 / 10
Çok Değişkenli Yöntemler ve Makine Öğrenmesi · Sınıflandırma
Sonra bak
MerQur Yapay Sinir Ağı analizinde 'Düzenlileştirme (L2: decay / alpha)' değeri büyütüldüğünde ne beklenir?
A Büyük ağırlıklar cezalandırılır; ağırlıklar küçülür, model düzgünleşir ve aşırı uyum azalır
B Eniyileme algoritması BFGS'ten Adam'a geçer
C Hedef değişken standartlaştırılır ve tahminler özgün birimlere geri çevrilir
D Ağ daha az iterasyonda yakınsar ve sonuç tohumdan bağımsız hale gelir
E Gizli katmana yeni birimler eklenir; model daha esnek hale gelir ve aşırı uyum riski de artar
Önceki
Seçimi kaldır
Sonraki
Soru 10 / 10
Çok Değişkenli Yöntemler ve Makine Öğrenmesi · Sınıflandırma
Sonra bak
Rastgele orman yönteminde ormandaki ağaç sayısının artırılmasının etkisi aşağıdakilerden hangisidir?
A Her bölünmede denenen değişken sayısı ağaç sayısıyla birlikte kendiliğinden artar
B Tahmin varyansı azalır ve hata bir düzeyde kararlı hale gelir; asıl bedel süredir
C Torba dışı (OOB) hata, ağaç eklendikçe sürekli düşerek sıfıra yaklaşır
D Öğrenme oranının da aynı oranda küçültülmesi gerekir, yoksa hata yükselir
E Her ağaç daha derin büyür ve orman eğitim verisini ezberlemeye başlar
Önceki
Seçimi kaldır
Sonraki