- 机器学习方法由（ ）等几个要素构成。
- 关于剪枝，以下算法正确的是（ ）。
- 线性回归中，我们可以使用最小二乘法来求解系数，下列关于最小二乘法说法正确的是（ ）。
- 关于SVM的描述正确的是:（ ）
- 以下关于KNN说法正确的是（ ）。
- 传统机器学习的应用领域有（ ）。
- 降维的优点有哪些 （ ）
- K-means是一种迭代算法，在其内部循环中重复执行以下两个步骤是（ ）。
- 机器学习的核心要素包括（ ）。
- 以下关于 PCA 说法正确的是 （ ）
- 梯度下降法中，梯度要加一个负号的原因是（ ）。
- 我们想在大数据集上训练决策树, 为了使用较少时间, 我们可以（ ）。
- 机器学习方法传统上可以分为（ ）类。
- 分析顾客消费行业，以便有针对性的向其推荐感兴趣的服务，属于（ ）问题。
- 以下关于K-means算法错误的有 （ ）
- 对于线性回归，我们应该有以下哪些假设 （ ）（1）找到离群点很重要，因为线性回归对离群点很敏感；（2）线性回归要求所有变量必须符合正态分布；（3）线性回归假设数据没有多重线性相关性。
- 朴素贝叶斯是一种典型的基于概率的机器学习方法，它利用了（ ）
- SVM的效率依赖于（ ）。
- 下列不是 SVM 核函数的是（ ）
- 下面有关机器学习的认识正确的是（ ）。
- 下列选项中，关于KNN算法说法不正确是 （ ）
- 以下关于逻辑回归与线性回归问题的描述错误的是（ ）。
- 下列关于朴素贝叶斯的特点说法错误的是（ ）
- 以下关于决策树特点分析的说法错误的有（ ）。
- KNN（K近邻算法）属于一种典型的（ ）算法
- 朴素贝叶斯分类器基于（ ）假设
- 下面关于回归分析的描述错误的是（ ）
- KNN 最近邻方法在（ ）情况下效果较好？
- 以下选择主成分数量的合理方法是（n是输入数据的维度m是输入示例的数量）（ ）
- 公司里有一个人穿了运动鞋，推测是男还是女？已知公司里男性30人，女性70人，男性穿运动鞋的有25人，穿拖鞋的有5人，女性穿运动鞋的有40人，穿高跟鞋的有30人。则以下哪项计算错误（ ）
- 假设会开车的本科生比例是15%，会开车的研究生比例是23%。若在某大学研究生占学生比例是20%，则会开车的学生是研究生的概率是（ ）
- 机器学习算法在图像识别领域的性能表现可能会超过人类。 （ ）
- 支持向量机求解不可以采用梯度下降方法求解最优值。 （ ）
- 决策树学习是一种逼近离散值目标函数的方法，学习到的函数被表示为一棵决策树。 （ ）
- 根据肿瘤的体积、患者的年龄来判断良性或恶性，这是一个回归问题。 （ ）
- SVD可用于求解矩阵的伪逆。 （ ）
- Apriori算法是一种典型的关联规则挖掘算法。 （ ）
- 梯度上升方法可以求解全局最大或者局部最大值。 （ ）
- 在各类机器学习算法中，过拟合和欠拟合都是可以彻底避免的。 （ ）
- 大部分的机器学习工程中，数据搜集、数据清洗、特征工程这三个步骤要花费大部分时间，而数据建模，占总时间比较少。 （ ）
- K-Means聚类分析使用目标字段,预测某一结果。 （ ）
- 逻辑回归和朴素贝叶斯都有对属性特征独立的要求。 （ ）
- 梯度下降，就是沿着函数的梯度（导数）方向更新自变量，使得函数的取值越来越小，直至达到全局最小或者局部最小。 （ ）
- 具有较高的支持度的项集具有较高的置信度。 （ ）
- 朴素贝叶斯适用于小规模数据集，逻辑回归适用于大规模数据集。 （ ）
- K均值算法，是一种原型聚类算法。 （ ）
- K-Means方法是基于划分的聚类方法。 （ ）
- 逻辑回归算法是一种广义的线性回归分析方法，它仅在线性回归算法的基础上，利用Sigmoid函数对事件发生的概率进行预测。 （ ）。
- K均值是一种产生划分聚类的基于密度的聚类算法，簇的个数由算法自动地确定。 （ ）
- 支持向量机是那些最接近决策平面的数据点。 （ ）
- ID3 算法的核心思想就是以信息增益来度量特征选择，选择信息增益最大的特征进行分裂。 （ ）
- 如果A为m阶实矩阵， ATA与AAT有相同的非零特征值集合。（ ）
- 如果A为m阶实矩阵，则ATA半正定。（ ）
- 设实矩阵A有SVD：A=UΣVT，则下列说法错误的是（ ）。
- 以下说法中错误的是（ ）。
- 假设将原矩阵降维到一维，采用的特征向量为，则映射后的结果为（ ）。
- 主成分分析是一个线性变化，就是把数据变换到一个新的坐标系统中。（ ）
- 下列关于主成分分析法(PCA)说法错误的是? （ ）
- 如果某个项集是频繁的，那么它的所有超集也是频繁的。（ ）
- 如果某个项集是频繁的，那么它的所有子集也是频繁的。（ ）
- 以下是一组用户的年龄数据，将K值定义为2对用户进行聚类。并随机选择16和22作为两个类别的初始质心，回答以下问题：［15，15， 16， 19， 19， 20， 20， 21， 22， 28， 35， 40， 41， 42， 43， 44， 60， 61， 65］第一次迭代结束后，样本20的分类为（ ）
- 以下是一组用户的年龄数据，将K值定义为2对用户进行聚类。并随机选择16和22作为两个类别的初始质心，回答以下问题：［15，15， 16， 19， 19， 20， 20， 21， 22， 28， 35， 40， 41， 42， 43， 44， 60， 61， 65］第一次迭代结束后，原质心16的类包含（ ）个样本。
- 以下是一组用户的年龄数据，将K值定义为2对用户进行聚类。并随机选择16和22作为两个类别的初始质心，回答以下问题：［15，15， 16， 19， 19， 20， 20， 21， 22， 28， 35， 40， 41， 42， 43， 44， 60， 61， 65］第一次迭代中，样本“15”到质心16的距离是（ ）
- 以下是一组用户的年龄数据，将K值定义为2对用户进行聚类。并随机选择16和22作为两个类别的初始质心，回答以下问题：［15，15， 16， 19， 19， 20， 20， 21， 22， 28， 35， 40， 41， 42， 43， 44， 60， 61， 65］第一次迭代结束后，原质心16更新后的质心是（ ）。
- 以下对经典K-means聚类算法解释正确的是 （ ）
- 朴素贝叶斯的基本假设是属性之间是相互独立的。（ ）
- 朴素贝叶斯是概率模型。（ ）
- 下列选项中，对于硬间隔支持向量机，超平面应该是（ ）。
- 现有一个能被正确分类且远离超平面的样本，如果将其删除，不会影响超平面的选择。（ ）
- 下列选项中，对于软间隔支持向量机，超平面应该是（ ）。
- 下面对集成学习模型中的弱学习器描述错误的是？（ ）
- 关于决策树剪枝操作正确的描述是（ ）。
- 决策树模型中如何处理连续型属性（ ）。
- 决策树模型中建树的基本原则是（ ）。
- 哪些情况下必须停止树的增长（ ）
- 批量梯度下降是最原始的形式，它是指在每一次迭代时使用一部分样本的梯度来更新参数。（ ）
- 以下关于梯度下降算法说法正确的是（ ）。
- 小批量梯度下降是结合了批量梯度下降和随机梯度下降，性能比批量梯度下降和随机梯度下降都好。（ ）
- 随机梯度下降中每次迭代使用一个样本的梯度。（ ）
- 随机梯度下降导致方向变化过大，不能很快收敛到最优解。（ ）
- 考虑一个有两个属性的logistic回归问题。假设，则分类决策平面是（ ）。
- logistic回归只能用于二分类问题。（ ）
- logistic回归中也可以用正则化方法来防止过拟合。（ ）
- 假设训练了一个logistic回归分类器，对于一个样本我们有，则该式说明（ ）。
- 从某大学随机选择8名女大学生，其身高x(cm)和体重y(kg)的回归方程是 y=0.849x-85.712，则身高172cm的女大学生，预测体重为（ ）。
- 线性回归中加入正则化可以降低过拟合。（ ）
- 下列（ ）中两个变量之间的关系是线性的。
- lasso中采用的是L2正则化。（ ）
- K近邻算法中数据可以不做归一化，因为是否归一化对结果影响不大。（ ）
- K近邻算法中采用不同的距离公式对于结果没有影响。（ ）
- K近邻算法认为距离越近的相似度越高。（ ）
- 在K近邻算法中，K的选择是（ ） ？
- 机器学习算法需要显示编程，具备归纳、总结等自学习能力。（ ）
- 在机器学习中，样本常被分成（ ）。
- 机器学习和人工智能、深度学习是一个概念，都是指机器模仿人类推理、学习能力。（ ）
- 样本是连续型数据且有标签，我们采用（ ）进行机器学习。
- 特征工程非常重要，在采用机器学习算法前，首先需要利用特征工程确定样本属性。（ ）
答案:模型评估指标###损失函数###模型###优化算法
答案:剪枝是防止过拟合的手段###ID3算法没有剪枝操作###决策树剪枝的基本策略有预剪枝和后剪枝
答案:不需要迭代训练###不需要选择学习率###当特征值很多的时候，运算速率会很慢###只适用于线性模型，不适合逻辑回归模型等其他模型
答案:添加多项式特征（例如，使用）可以增加我们拟合训练数据的程度###在θ的最佳值处，（J是损失函数）
答案:支持向量机的学习策略就是间隔最大化###支持向量机模型定义在特征空间上的间隔最大的线性分类器###支持向量机可以通过核技巧,这使之成为实质上的非线性分类器
答案:对异常值不敏感###对数据没有假设###计算复杂度低
答案:销售预测###商品推荐###信用风险检测
答案:减小训练时间###方便消除冗余特征###方便实现数据可视化
答案:移动簇中心，更新簇中心。###分配簇，计算距离。
答案:算法###数据###算力
答案:PCA 转换后选择的第一个方向是最主要特征
温馨提示支付 ￥5.00 元后可查看付费内容,请先翻页预览!
