第四章单元测试
下面的说法错误的是（ ）
- 支持向量机被广泛地应用于统计分类以及回归分析，在解决小样本、非线性及高维模式识别中表现出许多特有的优势。（ ）
- 对于“软间隔”支持向量机，KKT条件包括（ ）
- 引入松弛变量的分类面称为广义分类面。（ ）
- 对于非线性问题，需要通过升维操作在高维空间求内积来获得线性分类超平面。而核函数可以使样本在原始低维空间中通过核函数运算达到高维空间中求内积的相同结果，从而避免高维空间求内积，简化计算。（ ）
- 对于月面场景区域，提取的特征包括（ ）
- 决策树利用树结构进行决策，每一个非叶子节点是一个结论，每一个叶子节点是判断条件。（ ）
- 决策树的一个节点被拆分成多个节点，这个被拆分的节点就叫做父节点；其拆分后的节点叫做子节点。（ ）
- 仅仅使用多个准确率仅比随机猜测略高的分类器进行集成即可获得准确率很高，并且能在多项式时间内完成的分类器。（ ）
- 如何让确定决策树生长的深度（ ）
- 决策树的构建算法包括（ ）
A:线性支持向量机中，最大间隔分类面是唯一的。 B:支持向量机的最终模型仅与支持向量有关。 C:支持向量机是一种无监督的模式识别方法。 D:线性支持向量机所获得的划分超平面是使间隔最大的超平面。
答案:支持向量机是一种无监督的模式识别方法。
A:对 B:错
A:
B:
C:
D:
E:
F:
A:错 B:对
A:错 B:对
A:形状 B:纹理 C:颜色 D:边缘
A:错 B:对
A:错 B:对
A:对 B:错
A:使用与训练样例截然不同的一套分离的样例，来评估通过后修剪方法从树上修剪节点的效用 B:使用所有可用数据进行训练，但进行统计测试来估计扩展（或修剪）一个特定的节点是否有可能改善在训练集合外的样本上的性能 C:使用一个明确的标准来衡量训练样例和决策树的复杂度，当这个编码的长度最大时停止树增长 D:使用一个明确的标准来衡量训练样例和决策树的复杂度，当这个编码的长度最小时停止树增长
A:CART B:最小二乘法 C:C4.5 D:ID3
温馨提示支付 ￥3.00 元后可查看付费内容,请先翻页预览!
