关于集成建模，这有40个给数据科学家的技能测试题及解答

xiaoxiao2024-08-12 94

介绍

集成建模是提高个人机器学习模型能力的有效方法。如果你想在任何机器学习竞赛排行榜排名靠前，或者你想改进你正在构建的模型，那么集成建模就是你接下来要走的路。

下面这张图片总结了集成模型的力量：

考虑到集成建模的重要性，我们决定给出40道题目测试我们社区关于集成建模的问题。测试包括整体建模的基础及其实际应用。

总共有1411名参与者注册了技能测试。如果你错过了测试，这里你将有有机会看看你能答对多少问题。

↓↓↓继续往下读！

问答

以下哪个算法不是集成方法的示例？

A.额外树回归/ Extra Tree Regressor

B.随机森林

C.梯度增强

D.决策树

解析：（D）

选项D是正确答案。在决策树的情况下，我们构建单个树并且不需要任何集成。

以下哪一项关于集成分类器的说法是正确的？

1.更“肯定”的分类器可以更坚定的投票

2.分类器关于空间的某一特定部分可以更“确定”

3.大多数时候，它的性能优于单个分类器

A. 1和2

B. 1和3

C. 2和3

D.以上所有

解决方案：（D）

在集成模型中，我们给具有较高精度的分类器赋予较高的权重。也就是说，这些分类器有更确信的投票。另一方面，较弱的模型对问题的具体领域肯那个更“擅长”。通过对较弱模型的集成，我们可以聚合他们的可靠部分的结果。

最终的结果将比单个较弱模型的结果好得多。

以下哪些有关集成建模的好处是正确的？

1.更好的表现

2.广义模型

3.更好的可解释性

A. 1和3

B. 2和3

C. 1和2

D. 1，2和3

解析：（C）

1和2是集成建模的好处。选项3是不正确的，因为当我们集成多个模型时，我们就失去了模型的可解释性。

对于为一个集成学习挑选基础模型，以下哪项是正确的？

1．不同模型可能掌握相同算法并且不同超参数

2．不同模型可能掌握不同的算法

3．不同模型可能掌握不同的训练空间

A. 1

B. 2

C. 1和3

D. 1，2和3

解析：（D）

我们可以遵循上面提到的任何或者所有选项来创建一个集成，由此发现选项D是正确的。

【判断】集成学习只适用于监督式学习方法。

A．正确

B．错误

解析：（B）

通常，我们将集成技术用于监督式学习算法。但是，你可以将集成用于非监督式学习算法。

参考资料（https://en.wikipedia.org/wiki/Consensus_clustering）。

【判断】当模型中存在显著的多样性时，集成将产生坏的结果。

注意：所有独立的模型都有有意义的、良好的预测。

A．正确

B．错误

解析：（B）

集成是一门将多种学习者（个体模型）组合在一起以提高模型的稳定性和预测能力的学问。因此，创建多样化模型的集成是得到更好的结果的非常重要的一个因素。

下面哪些关于在集成建模中使用的较弱模型是正确的？

1. 他们有比较低的方差，而且他们通常不会过度拟合

2. 他们有很高的偏差，所以他们不能解决困难的学习问题

3. 他们有很大的差异，并且他们通常不会过度拟合

A. 1和2

B. 1和3

C. 2和3

D. 以上都不是

解析：（A）

能力较弱的学习者(模型)对于问题的某一特定部分都比较确定。因此，低方差和高偏差的能力较弱的学习者往往不会过度拟合。

【判断】分类器的集成可能或可能不比其中任何一个独立模型更准确。

A. 正确

B. 错误

解析：（A）

通常，集成将会改进模型，但它不一定百分百正确。因此，选项A是正确的。

【判断】如果你使用一个不同基本模型的集成，是否有必要调整所有基本模型的超参数以提高整体表现？

A. 是

B. 否

C. 无法确定

解析：（B）

调整是不必要的。能力较弱的学习者(模型)的集成也可以产生一个好的模型。

一般来说，如果独立基本模型____________，集成方法的效果就更好。

注意：假设每个独立的基本模型有大于50％的精确度。

A.预测之间的相关性较低

B.预测之间的相关性较高

C.相关性对集成输出没有任何影响

D.以上都不对

解析：（A）

集成建模成员之间较低的相关性可以提高模型的误差校正能力。所有在集成建模时，优选使用具有低相关性的模型。

在选举中，N个候选人相互竞争，人们对候选人投票。选民投票时互不沟通。

下面的集成方法中哪一个类似于上面讨论的选举程序？

提示：人就像集成方法中的基本模型。

A.Bagging

B.提升/Boosting

C.A或B.

D.以上都不是

解析：（A）

在bagging集成中，各个模型的预测不会彼此依赖。所以A选项是正确的。

假设给你基于'n'个不同的模型（M1，M2，…, Mn）对测试数据给出'n'个预测。下列哪些方法可以用于组合对这些模型的预测？

注意：我们正在处理一个回归问题

1.中位数；2.产品；3.平均；4.加权总和；5.最小和最大；6.广义平均规则

A. 1，3和4

B. 1, 3和6

C. 1, 3, 4和6

D.以上所有

解析：（D）

所有上述选项都是用于聚合不同模型的结果的有效方法（在回归模型的情况下）。

假设，您正在处理一个二分类问题。并且有3个70％的精确度的模型。

如果你想使用多数表决方法来集成这些模型。那你能得到的最大精确度是多少？

A. 100％

B. 78.38％

C. 44％

D. 70

解析：（A）

参考下表列出的模型M1，M2和M3。

实际输出

输出

如果你想使用多数表决来集成这些模型。你能得到的最小精确度是多少？

A.总是大于70％

B.总是大于等于70％

C.可能小于70％

D.以上都不是

解析：（C）

参考下表列出的模型M1，M2和M3。

实际输出

输出

我们如何对一个集合中的不同模型的输出分配权重？

1.使用算法返回最佳权重；2.使用交叉验证选择权重；3.给更精确的模型赋予高权重

A. 1和2

B. 1和3

C. 2和3

D.以上所有

解析：（D）

以上所有决定集成中单个模型的权重的选项都是正确的。

下列哪一个关于平均集成的选项是正确的？

A.它只能用于分类问题

B.它只能用于回归问题

C.它既可以用于分类问题也可以用于回归问题

D.以上都不是

解析：（C）

在分类和回归中都可以使用平均集成。在分类中，您可以对预测概率进行平均，而在回归中，您可以直接平均不同模型的预测。

假设你对5个测试观察给出了预测。

预测= [0.2,0.5,0.33,0.8]

以下哪项是这些预测的平均产出排序？

提示：您正在使用最小 - 最大缩放

A. [0.，0.66666667,0.333333333,1.1]

B. [0.1210,0.666666667,0.95,0.33333333]

C. [0.1210,0.666666667,0.333333333,0.95]

D.以上都不是

解析：（A）

可以应用以下步骤来获取选项A的结果

1.给出预测的排名

2.对这些排名使用最小最大缩放比例

你可以在python中运行以下代码来获得所需的结果。

在上述快照中，线A和B是关于2个模型（M1，M2）的预测。现在，你想要应用一个集成，通过使用加权平均的方法聚合这两个模型的结果。如果你对模型M1和M2分别赋予0.7, 0.3的权重，那么下面的哪一条线更有可能是这个集成的输出。

A) A

B) B

C) C

D) D

E) E

解析：（C）

以下哪项关于加权多数投票的说法是正确的？

1.我们想给表现更好的模型赋予更高的权重；2.如果对较差模型的集体加权投票高于最佳模型，那么较差的模型可以推翻最佳模型；3.投票是加权投票的特殊情况

A. 1和3

B. 2和3

C. 1和2

D. 1，2和3

E. 以上均不

解决方案：（D）

所有的说法都是正确的。

假设在一个分类问题中，对于以下三个模型，你得到了以下概率：M1，对于测试数据集的五个观察结果。

Output

.70

.80

.75

.50

.64

.80

.30

.20

.35

.49

.51

.50

.60

.80

.60

如果概率阈值大于或等于0.5归为类别“1”或者概率阈值小于0.5归为类别“0”，那么下列哪个将是这些观察的预测类别？

注意：你正在对三种模型应用平均方法来集成给定的预测。

Output

.70

.80

.75

.50

.64

.80

.30

.20

.35

.49

.51

.50

.60

.80

.60

Output

.70

.80

.75

.50

.64

.80

.30

.20

.35

.49

.51

.50

.60

.80

.60

Output

.70

.80

.75

.50

.64

.80

.30

.20

.35

.49

.51

.50

.60

.80

.60

D. None of these(以上都不是)

解析：（B）

取每个观察的每个模型的预测的平均值，然后应用阈值0.5就可以得到答案B。

例如，在模型（M1，M2和M3）的第一次观察中，输出是0.70,0.80,0.75，取这三个数的平均值得到0.75，这大于0.5，意味着该观察属于类别1。

如果概率阈值大于或等于0.5归为类别“1”或者概率阈值小于0.5归为类别“0”，那么下列哪个将是这些观察的预测类别？

Output

.70

.80

.75

.50

.64

.80

.30

.20

.35

.49

.51

.50

.60

.80

.60

Output

.70

.80

.75

.50

.64

.80

.30

.20

.35

.49

.51

.50

.60

.80

.60

Output

.70

.80

.75

.50

.64

.80

.30

.20

.35

.49

.51

.50

.60

.80

.60

D. None of these（以上都不是）

解析：（B）

取每个观察的每个模型的预测的加权平均，然后应用阈值0.5你得到答案B。

例如，在模型（M1，M2和M3）的第一次观察中输出为0.70,0.80,0.75，如果取这三个预测的加权平均值，则将得到0.745（0.70 * 0.4 + 0.80 * 0.3 + 0.75 * 0.3），这意味着这个观察属于类别1。

假设在二分类的问题中，您已经为测试数据集的五个观测值给出了模型（M1，M2，M3）的预测。

Output

如果我们使用多数方法，下列哪一个将是输出集成建模？

Output

D. None of these（以上都不是）

解析：（B）

对每个观察的每个模型的预测采取多数投票。

例如，对于模型（M1，M2和M3）的第一次观察的输出为1，1，0，如果对这三个模型预测取多数投票，那么类别1将获得2票，这意味着该观察属于类别1。

当使用加权投票方法时，下列哪一个将是输出集成建模？

提示：M1，M2和M3的投票数分别为自身的2.5倍，6.5倍和3.5倍。

Output

D. None of these（以上都不是）

解决方案：（C）

参考问题20, 21和22中的步骤操作。

以下哪项关于堆叠(stacking)的说法是正确的？

1.在多个机器学习模型的预测上训练机器学习模型

2.与分类方法相比，逻辑回归在第二阶段肯定会做的更好

3.第一阶段模型在训练数据的全部/部分特征空间上训练

A.1和2

B. 2和3

C. 1和3

D.以上所有

解析：（C）

1.在堆叠中，在多个基础模型的预测上训练一个机器学习模型。

2.没有必要 - 我们可以使用不同的算法来聚合结果。

3.第一阶段模型在所有的原始特征上训练。

以下哪一项是堆叠的优势？

更强大的模型

更好的预测

执行时间的缩减

和2

和3

以上所有

解析：（A）

选项1和2是堆叠的优点，而选项3不正确，因为堆积需要更多的时间

以下哪个图表示堆叠？

C. None of these（以上都不是）

解析：（A）

A是正确的，因为它通过在d1，d2和dL的输出上应用函数f来聚合基本模型的结果。

以下哪一个选项可能是堆叠的步骤之一？

1.将训练数据分成k个折叠

2.在每个k-1折叠上训练k个模型，并对剩余的一个得到折叠预测

3.将测试数据集合分成k个折叠，并通过不同的算法获得每个折叠的预测

A. 1和2

B. 2和3

C. 1和3

D.以上所有

解决方案：（A）

第三个选项不正确，因为我们不会在堆叠中为测试数据创建折叠。

以下哪项是堆叠和混合之间的区别？

A.与混合相比，堆叠具有较不稳定的CV

B.在混合中，你可以创建不折叠预测

C．堆叠比混合更简单

D.以上都不是

解析：（D）

只有选项D是正确的。

假设您使用n个具有k个折叠数据的不同的机器学习算法的堆叠。

以下哪项关于一个级别（m个基本型号+ 1个堆叠器）堆叠是正确的？

注意：

在这里，我们正在研究二分类问题

所有基本模型都在所有特征上训练

您正在使用基本模型的k折叠

A.在第一阶段后你将只有k个特征

B.在第一阶段后你将只有m个特征

C.在第一阶段后你将有k + m个特征

D.在第一阶段后你将有k * n个特征

E.以上都不是

解决方案：（B）

如果你有m个基础模型在堆叠。这将为第二阶段模型生成m个特征。

关于装袋，以下哪项是真的？

1.bagging可以并行化

2.bagging的目的是减少偏差而不是方差

3.bagging有助于减少过度拟合

A. 1和2

B. 2和3

C. 1和3

D.以上所有

解析：（C）

1.在bagging中，基模型不依赖于彼此，因此可以平行

2-3 bagging适用于高方差低偏差模型，或者你可以说是复杂模型。

【判断】在boosting中，独立的基础学习者是可以平行的。

A．正确

B．错误

解析：（B）

在boosting中，你总是试图添加新模型以纠正先前模型的弱点。因此它是顺序的。

以下是两个集成建模：

1. E1（M1，M2，M3）

2. E2（M4，M5，M6）

上面的Mx是独立的基本模型。

如果对E1和E2给出以下条件，则下列哪一项更有可能被选择？

E1：基模型精度高，但模型具有相同的类型或者说是低多样化

E2：基模型的准确性很高，但它们具有不同的类型或者说是高多样化

A. E1

B. E2

C.E1和E2中的任一个

D.以上都不是

解析：（B）

我们必须选择E2，因为它包含多种模型。所以选项B是正确的。

假设，你有2000个不同的模型和他们的预测，并且你想要集成最佳x模型的预测。现在，下列哪一项是用来选择最佳的x模型的可能的方法？

A.逐步向前选择

B.逐步向后消除

C.以上两者

D.以上都不是

解析：（C）

您可以应用这两种算法。在逐步向前选择中，您将从预测开始一次添加一个模型的预测，如果这样提高了整体的精度。在逐步向后消除中，你将从全部特征开始并且一个一个的移除模型预测，如果在移除模型的预测后提高了精度。

假设，您想要应用逐步前向选择方法来为集成建模选择最好的模型。以下哪项是正确的步骤顺序？

注意：您有超过1000个模型预测

1.向集成中一个一个的添加模型预测（或者取平均值），这样提高了验证集中的指标

2.从空集成开始

3.从具有验证集合的最大性能的嵌套集合中返回集成

A. 1-2-3

B. 1-3-4

C. 2-1-3

D.以上都不是

解决方案：（C）

选项C是正确的。

【判断】相比之Bagging，Dropout是计算复杂的方法

A．正确

B．错误

解决方案：（B）

因为在Dropout中，权重是共享的，并且子网络的集成是一起训练的。

Dropout在神经网络中可以被认为是一个集成技术，其中多个

子网络通过“丢弃”神经元之间的某些连接而一起训练。

假设，我们有一个单一的隐层神经网络如下所示。

有多少种子网络的组合可以用于分类？

A. 1

B. 9

C. 12

D. 16

E. None of the above（以上都不是）

解析：（B）

有16种可能的组合，其中只有9种是可行的。不可行的是（6,7,12,13,14,15,16）。

模型能力是如何影响随机失活率(dropout rate)的（其中模型能力意味着神经网络近似复杂函数的能力）？

A.模型能力随随机失活率的增加而增加

B.模型能力随随机失活率的增加而减少

C.模型能力不受随机失活率增加的影响

D.以上都不是

解析：（B）

当退出率较低时，子网络有更多的神经元。因此它们更复杂，也导致总体模型复杂性的增加。参考DL book的第11章（http://www.deeplearningbook.org/contents/guidelines.html）。

可以调整以下哪些参数来找到好的基于算法的集成模型Bagging？

1.最大样本数

2.最大特征

3.样品引导

4.特征引导

A. 1和3

B. 2和4

C. 1,2和3

D. 1,3和4

E.以上所有

解析：（E）

在选项中给出的所有技术都可以应用以获得好的集成。

在机器学习中，如果训练数据的一个小变化导致学习中的分类器的大变化，则该算法（或学习算法）被认为是不稳定的。

判断：对不稳定的分类器做Bagging是一个好主意。

A．正确

B．错误

解析：（A）

参考该论文的介绍部分（http://statistics.berkeley.edu/sites/default/files/tech-reports/421.pdf）

假设有25个基分类器，每个分类器具有e = 0.35的错误率。

假设您使用平均作为集成技术。上述25个分类器的集成将会做出错误的预测的概率是多大？

注意：所有分类器都是相互独立的

A. 0.05

B. 0.06

C. 0.07

D. 0.09

解析：B

解析：参考这个链接（http://stats.stackexchange.com/questions/21502/how-are-classifications-merged-in-an-ensemble-classifier）

总体结果

答完所有题目得分如何？下图是所有测试者分数的分布情况图，这将有助于您评估您的表现：

你可以通过这里评估你的表现。超过230人参加了这项技能测试，其中最高分是31分。下面是一些关于分布情况的统计。

总体分布：

平均分：17.54

中位数：18

众数：21

还要以下一些有用的资源：

每个人都应该知道的5个关于集成建模的简单问题

https://www.analyticsvidhya.com/blog/2015/09/questions-ensemble-modeling/

集成建模中选择正确模型的“技巧”

https://www.analyticsvidhya.com/blog/2015/10/trick-right-model-ensemble/

用简单的英语解释集成学习的基础知识

https://www.analyticsvidhya.com/blog/2015/08/introduction-ensemble-learning/

原文发布时间为：2017-03-20

本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号

最新回复(0)