我们想在大数据集上训练决策树,为了使用较少时间,我们可以()A.增加树的深度B.增加学习率(learnin grate)C.减少树的深度D.减少树的数量

题目

我们想在大数据集上训练决策树,为了使用较少时间,我们可以()

A.增加树的深度

B.增加学习率(learnin grate)

C.减少树的深度

D.减少树的数量

相似考题

1.对应GradientBoostingtree算法，以下说法正确的是()1.当增加最小样本分裂个数，我们可以抵制过拟合2.当增加最小样本分裂个数，会导致过拟合3.当我们减少训练单个学习器的样本个数，我们可以降低variance4.当我们减少训练单个学习器的样本个数，我们可以降低biasA.2和4B.2和3C.1和3D.1和4

2.对应GradientBoostingtree算法,以下说法正确的是:( )A.当增加最小样本分裂个数，我们可以抵制过拟合B.当增加最小样本分裂个数，会导致过拟合C.当我们减少训练单个学习器的样本个数，我们可以降低varianceD.当我们减少训练单个学习器的样本个数，我们可以降低bias

3.我们想要减少数据集中的特征数,即降维.选择以下适合的方案:( )A.使用前向特征选择方法B.使用后向特征排除方法C.我们先把所有特征都使用,去训练一个模型,得到测试集上的表现.然后我们去掉一个特征,再去训练,用交叉验证看看测试集上的表现.如果表现比原来还要好,我们可以去除这个特征.D.查看相关性表,去除相关性最高的一些特征

4.假设我们有一个数据集，在一个深度为6的决策树的帮助下，它可以使用100%的精确度被训练。现在考虑一下两点，并基于这两点选择正确的选项。注意：所有其他超参数是相同的，所有其他因子不受影响。1.深度为4时将有高偏差和低方差2.深度为4时将有低偏差和低方差A.只有 1B.只有 2C.1 和 2D.没有一个

参考答案和解析
正确答案：C
更多“我们想在大数据集上训练决策树,为了使用较少时间,我们可以()A.增加树的深度B.增加学习率(learnin ”相关问题

  • 第1题：

    在R中利用MASS包中的Boston数据集构建决策树的回归树模型，70%作为训练集，30%作为测试集，利用K折交叉验证和剪枝构建最优的决策树模型。进一步，根据合奏学习原理利用R中的randomForest包构建随机森林。对比结果并进行简要分析。需要上传程序代码。


    AB

  • 第2题：

    【判断题】当给定新的训练数据时，这些算法重构从先前训练数据学习得到的决策树，或从头开始学习一棵新树。

    A．Y.是

    B．N.否


    错误

  • 第3题：

    【单选题】我们想在大数据集上训练决策树，为了使用较少时间，可以（）

    A．增加树的深度

    B．增加学习率

    C．减少树的深度

    D．减少树的数量


    减少树的深度

  • 第4题：

    同一个数据集上，通常使用随机森林的方法训练分类模型需要的时间比C4.5决策树更长。


    A

  • 第5题：

    17、（）采用自顶向下分而治之的思想，将训练集不断分割成子数据集来不断扩展树枝，当满足一定条件时停止树的生长。

    A．决策树

    B．模型树

    C．回归树

    D．多元回归


    决策树;模型树;回归树

相关内容