# Alberi Decisionali e Ensembles (Data Science & ML) > Decision Trees, Random Forest, Gradient Boosting, XGBoost, tuning degli iperparametri, feature importance - 24 domande da colloquio - Mid-Level - [Domande da colloquio: Data Science & ML](https://sharpskill.dev/it/technologies/data-science/domande-colloquio.md) ## 1. Cos'è un decision tree nel Machine Learning? **Risposta** Un decision tree è un modello di Machine Learning che effettua previsioni dividendo i dati secondo regole decisionali gerarchiche. Ogni nodo interno rappresenta un test su una feature, ogni ramo rappresenta l'esito del test, e ogni foglia rappresenta una previsione finale. Questo modello è intuitivo e facilmente interpretabile, rendendolo una scelta eccellente per comprendere i fattori che influenzano una decisione. ## 2. Quale criterio è usato di default in scikit-learn per misurare la qualità di uno split in un albero di classificazione? **Risposta** L'indice di Gini è il criterio di default in scikit-learn per gli alberi di classificazione. Misura l'impurità di un nodo calcolando la probabilità che un elemento venga classificato erroneamente se classificato casualmente secondo la distribuzione delle classi. Un Gini di 0 significa un nodo puro (singola classe), mentre un Gini più alto indica maggiore diversità di classi. ## 3. Qual è la principale differenza tra l'indice di Gini e l'entropia come criteri di split? **Risposta** L'indice di Gini e l'entropia producono generalmente alberi molto simili, ma Gini è leggermente più veloce da calcolare poiché non richiede calcoli logaritmici. L'entropia, basata sulla teoria dell'informazione, può talvolta creare split leggermente più equilibrati. In pratica, la scelta tra i due ha raramente un impatto significativo sulle prestazioni del modello. ## Altre 21 domande disponibili - Cos'è il pruning nel contesto dei decision trees? - Quale iperparametro controlla la profondità massima di un decision tree in scikit-learn? Registrati gratis: https://sharpskill.dev/it/login ## Altri argomenti di colloquio Data Science & ML - [Fondamenti di Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-basics.md): 25 domande, Junior - [Programmazione Orientata agli Oggetti in Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-oop.md): 20 domande, Junior - [Strutture dati Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-data-structures.md): 20 domande, Junior - [Fondamenti di Git](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/git-fundamentals.md): 18 domande, Junior - [Fondamenti di SQL](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/sql-basics.md): 20 domande, Junior - [Fondamenti di NumPy](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/numpy-fundamentals.md): 22 domande, Junior - [Fondamenti di Pandas](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/pandas-basics.md): 22 domande, Junior - [Jupyter & Google Colab](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/jupyter-colab.md): 16 domande, Junior - [SQL Joins e query avanzate](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/sql-joins-advanced.md): 22 domande, Mid-Level - [Pandas avanzato](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/pandas-advanced.md): 24 domande, Mid-Level - [Visualizzazione con Matplotlib & Seaborn](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/matplotlib-seaborn.md): 20 domande, Mid-Level - [Visualizzazioni interattive con Plotly](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/plotly-interactive.md): 18 domande, Mid-Level - [Statistica descrittiva](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/statistics-descriptive.md): 20 domande, Mid-Level - [Statistica inferenziale](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/statistics-inferential.md): 24 domande, Mid-Level - [Web Scraping](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/web-scraping.md): 18 domande, Mid-Level - [BigQuery & Cloud Data](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/bigquery-cloud.md): 18 domande, Mid-Level - [Feature Engineering](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/feature-engineering.md): 22 domande, Mid-Level - [ML Supervisionato: Regressione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-supervised-regression.md): 24 domande, Mid-Level - [ML Supervisionato: Classificazione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-supervised-classification.md): 24 domande, Mid-Level - [ML Non Supervisionato](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-unsupervised.md): 22 domande, Mid-Level - [Pipeline ML e Validazione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-pipelines-validation.md): 22 domande, Mid-Level - [Serie Temporali e Previsione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/time-series-forecasting.md): 22 domande, Mid-Level - [Fondamenti di Deep Learning](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/deep-learning-fundamentals.md): 24 domande, Senior - [TensorFlow & Keras](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/tensorflow-keras.md): 22 domande, Senior - [CNN e classificazione di immagini](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/cnn-image-classification.md): 24 domande, Senior - [RNN e Sequenze](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/rnn-sequences.md): 22 domande, Senior - [Transformers e Attention](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/transformers-attention.md): 24 domande, Senior - [NLP e Hugging Face](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/nlp-huggingface.md): 24 domande, Senior - [GenAI e LangChain](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/genai-langchain.md): 24 domande, Senior - [MLOps e Deployment](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/mlops-deployment.md): 24 domande, Senior --- Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack. HTML version of this page: https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-trees-ensembles