Alberi Decisionali e Ensembles
Decision Trees, Random Forest, Gradient Boosting, XGBoost, tuning degli iperparametri, feature importance
1Cos'è un decision tree nel Machine Learning?
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.
2Quale criterio è usato di default in scikit-learn per misurare la qualità di uno split in un albero di classificazione?
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.
3Qual è la principale differenza tra l'indice di Gini e l'entropia come criteri di split?
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.
Cos'è il pruning nel contesto dei decision trees?
Quale iperparametro controlla la profondità massima di un decision tree in scikit-learn?
+21 domande da colloquio
Altri argomenti di colloquio Data Science & ML
Fondamenti di Python
Programmazione Orientata agli Oggetti in Python
Strutture dati Python
Fondamenti di Git
Fondamenti di SQL
Fondamenti di NumPy
Fondamenti di Pandas
Jupyter & Google Colab
SQL Joins e query avanzate
Pandas avanzato
Visualizzazione con Matplotlib & Seaborn
Visualizzazioni interattive con Plotly
Statistica descrittiva
Statistica inferenziale
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionato: Regressione
ML Supervisionato: Classificazione
ML Non Supervisionato
Pipeline ML e Validazione
Serie Temporali e Previsione
Fondamenti di Deep Learning
TensorFlow & Keras
CNN e classificazione di immagini
RNN e Sequenze
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Deployment
Padroneggia Data Science & ML per il tuo prossimo colloquio
Accedi a tutte le domande, flashcards, test tecnici, esercizi di code review e simulatori di colloquio.
Inizia gratis