第三章单元测试
- 线性回归目的是学得一个（）以尽可能准确地预测实值输出标记
- 线性回归模型中，联系函数g(∙)为对数几率函数ln(y/(1-y))时，该线性模型成为（）
- 线性判别分析可通过该投影减小样本点的维数，且投影过程中使用了类别信息。因此，线性判别分析也常被视为一种经典的（）
- 解决类别不平衡的方法包括（）
- 在线性模型的基础上，引入层级结构或高维映射，构成非线性模型。因此，非线性模型可以转换为线性模型。
- 线性判别分析（LDA）设法将样例投影到一条直线上，使得同类样例的投影点尽可能接近
- 分类学习任务中，若不同类别的训练样本数目差别很大时，对学习过程没有明显影响
- 线性模型学得的参数ω直观地表达了各属性在预测中的重要性，因此，该模型具有较好的可解释性。
- 线性判别分析在对新样例进行分类时，将其投影到曲线上，再根据投影点的位置来确定新样本的类别。
- 基于均方误差最小化来进行模型求解的方法，称为“最小二乘法”。
- 线性判别分析模型中，同类样本的投影点尽可能近，即同类样本的协方差尽可能小
在分类学习任务中，若正例远少于反例时，可以通过增加一些正例解决类别不平衡问题。
- 线性回归目的是学得多项式模型以尽可能准确地预测实值输出标记。
- 单一属性的线性回归目标函数为f(x)=ωx+b 使得 min(f(x)–y)2
- 常用的广义线性回归有单位跃阶函数、对数线性回归、对数几率回归
A:多项式模型 B:对数模型 C:指数模型 D:线性模型
答案:线性模型
A:对数线性回归 B:指数线性回归 C:对数几率回归 D:曲线线性回归
A:监督分类技术 B:监督降维技术 C:降维技术 D:分类技术
A:阈值移动 B:去除正例样本 C:过采样 D:欠采样
A:对 B:错
A:错 B:对
A:错 B:对
A:错 B:对
A:对 B:错
A:对 B:错
A:对 B:错
A:错 B:对
A:错 B:对
A:对 B:错
A:对 B:错
温馨提示支付 ￥3.00 元后可查看付费内容,请先翻页预览!
