Örnek sorular
Fe Interactions Basis ExpansionZorluk 1
Tablo biçimli bir tasarım matrisinde, x1 ve x2 sayısal sütunları arasına bir etkileşim terimi eklemek en birebir aritmetik anlamda ne demektir?
- aİkisinin satır bazında toplamını tutan yeni bir sütun
- bHer satır için x1 ve x2'nin aritmetik ortalamasını tutan yeni bir sütun
- cx1 ile x2'nin satır bazında çarpımını tutan yeni bir sütun✓
- dEğitim setinin tamamında ölçülen, x1 ile x2 arasındaki korelasyonu tutan yeni bir sütun
Açıklama:Etkileşim terimi düpedüz eleman bazında bir çarpmadır: yeni sütunun bir satırdaki değeri, o satırın x1'i ile o satırın x2'sinin çarpımıdır. İki sütunun toplamı ya da ortalaması hâlâ doğrusal bir kombinasyondur, dolayısıyla doğrusal bir model bunları yeni bir sütun olmadan zaten ifade edebilir. Korelasyon ise satırlar boyunca hesaplanan tek bir sayıdır, satır başına bir değer değildir; bu yüzden feature sütunu olamaz.
Fe Interactions Basis ExpansionZorluk 2
scikit-learn 1.6 ile, X'in şekli (200, 3) ve PolynomialFeatures(degree=2, include_bias=True).fit_transform(X) çalıştırıyorsunuz. Sonucun kaç sütunu olur?
Açıklama:Genişletme, 3 girdi üzerinden toplam derecesi 0 ile 2 arasındaki her tek terimliyi üretir; bu da C(3+2, 2) = 10 sütun eder: bir bias, üç doğrusal terim, üç kare ve üç farklı ikili çarpım. Yalnız kareleri ve çarpımları ya da yalnız yeni sütunları saymak, transformer'ın koruduğu bias'ı veya orijinal doğrusal terimleri atlar.
Fe Interactions Basis ExpansionZorluk 1
scikit-learn 1.6'daki PolynomialFeatures'ta include_bias=True somut olarak çıktı matrisine ne koyar?
- aAşağıdaki tahmincinin sonradan veriden öğreneceği kesişim (intercept) değerini
- bHer satır için, o satırda kaç orijinal feature'ın sıfırdan farklı olduğunu kaydeden bir sütun
- cOrijinal, dönüştürülmemiş girdi sütunlarının matrisin başına yerleştirilmiş bir kopyasını
- dHer satırdaki değeri 1 olan tek bir sütun✓
Açıklama:Bias sütunu sıfırıncı dereceden tek terimlidir, dolayısıyla girdiden bağımsız olarak her satırda değeri sabit 1'dir. Kendi kesişimi olmadan fit edilen bir tahmincinin yine de bir kesişim ifade edebilmesini sağlayan bir yer tutucudur. Orijinal doğrusal terimler ise bu bayraktan bağımsız olarak birinci dereceden tek terimliler hâlinde zaten üretilir.
Fe Interactions Basis ExpansionZorluk 2
X'in 4 sayısal sütunu var. scikit-learn 1.6 altında PolynomialFeatures(degree=2, interaction_only=True, include_bias=False).fit_transform(X) çağırıyorsunuz. Kaç sütun geri döner?
Açıklama:Çıktı 4 orijinal sütun artı C(4, 2) = 6 farklı ikili çarpım, yani 10 olur. On dört, dört karenin de tutulduğu durumun sayısıdır; altı yalnız çarpımları sayıp orijinal sütunları düşürür; on bir ise bu çağrının açıkça kapattığı bias sütununu ekler.
Fe Interactions Basis ExpansionZorluk 2
Bir tasarım matrisi yalnızca 0/1 gösterge sütunlarından oluşuyor. Bir arkadaşınız üzerinde interaction_only varsayılan False hâlindeyken 2. dereceden polinom genişletme çalıştırıyor. Bu gösterge sütunlarının kare terimlerine ne olur?
- aSıfır sütunları olarak çıkarlar
- bGöstergenin değiştiği satırları işaretlerler
- cSütunun ikili olduğu fark edilince atlanırlar
- dHer biri geldiği gösterge sütununun birebir kopyası olur✓
Açıklama:Yalnızca 0 ya da 1 olabilen bir değer için kare almak birim dönüşümdür: 0'ın karesi 0, 1'in karesi 1'dir. Dolayısıyla her kare gösterge sütunu kaynak sütununu değer değer yeniden üretir; matrise yeni bir yön katmadan yalnızca genişlik ekler. Transformer değer aralığını incelemediği için bu kopyaları yine de üretir.
Fe Interactions Basis ExpansionZorluk 2
Bir matris, şehir (3 kategori) ve cihaz (2 kategori) için one-hot göstergeler tutuyor. şehir=istanbul sütununu cihaz=mobil sütunuyla satır satır çarpıyorsunuz. Ortaya çıkan sütun neyi temsil eder?
- aTam olarak hem istanbul hem mobil olan satırlarda tetiklenen bir gösterge✓
- bistanbul ya da mobil olan, ya da ikisi birden olan satırları işaretleyen bir gösterge
- cistanbul şehri için kaydedilen tüm satırlar içinde mobil satırların oranı
- distanbul için bir gösterge; cihaz bayrağıyla çarpmak şehir bayrağını değiştirmez
Açıklama:İki 0/1 sütununun çarpımı yalnızca her iki çarpan da 1 iken 1 olur, dolayısıyla iki kategorik değişkenin kesişim hücresinin göstergesidir. İki one-hot bloğunu çaprazlamanın her bileşik kategori kombinasyonu için bir sütun üretmesinin nedeni budur. Birleşim toplama tarzı bir kural gerektirirdi; oran ise satır başına bir değer değil, satırlar üzerinde bir toplulaştırmadır.