第四章单元测试
- p1(x,y)属于类别R，p2(x,y)属于类别B,一个新数据点(x1,y1)，可以用下面的规则来判断它的类别（ ）。
- 在PYTHON中实现中文商品评价词条向量应用（ ）。
- 朴素贝叶斯中的朴素一词的来源就是（ ）
- 朴素贝叶斯算法优缺点包括（ ）。
- 朴素贝叶斯算法工程应用分为三个阶段（ ）
- 全概率公式解决的是由果索因的问题。（ ）
- 将数据表格中数据进行预处理，转化为0、1格式，便于算法计算。（ ）
- 拉普拉斯平滑(Laplace Smoothing)是比较常用的平滑方法，是为了解决0概率问题。（ ）
P（购买 | 特征）= P（ | ）* P（ ） / P（ ） ____、____、 ____、____。
词袋模型是为了解决商品各段评价文档中可能有重复单词，每遇到一个单词，增加词向量中对应值，采用____的方法实现。
在相应小数位置进行四舍五入乘法运算中，计算结果可能就变成____。为了避免下溢出或者浮点数舍入导致的错误问题，对乘积结果取____方法。
A:如果p1(x1,y1) ＜ p2(x1,y1)，那么类别为R
B:如果p1(x1,y1) ＞ p2(x1,y1)，那么类别为B
C:如果p1(x1,y1) ＜ p2(x1,y1)，不清楚
D:如果p1(x1,y1) ＞ p2(x1,y1)，那么类别为R
答案:如果p1(x1,y1) ＞ p2(x1,y1)，那么类别为R
A:分词函数jieba
B:分词函数jieba，再做向量化格式
C:直接使用
D:根据在字典中存在情况转化为0和1
A:牺牲一定的分类准确率
B:假设各特征之间相互独立
C:使得朴素贝叶斯算法变得简单
D:一般的意思
A:数据集属性之间是相互独立情况下，会导致分类的效果大大降低
B:数据集属性之间是相互独立情况下，算法的逻辑性十分简单
C:数据集属性之间是相互独立情况下，对于不同类型的数据集不会呈现出太大的差异性
D:数据集属性之间是相互独立情况下，算法较为稳定
A:计算概率阶段
B:朴素贝叶斯分类器构建与训练学习
C:部署与应用阶段
D:数据准备阶段
A:错 B:对
A:错 B:对
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!
