第七章单元测试
- Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。（ ）
- Adaboost方法不仅可以用于设计弱分类器，还可以用于设计弱预测器。（ ）
- 相较于与BP神经网络的弱分类器，基于Adaboost强分类器的分类模型可以具有更高的分类准确率。（ ）
- Adaboost算法在样本训练集使用过程中，对其中的关键分类特征集进行多次挑选，逐步训练分量弱分类器，用适当的阈值选择最佳弱分类器，最后将每次迭代训练选出的最佳弱分类器构建为强分类器。（ ）
- Aadboost 算法系统具有较高的检测速率，但是容易出现过拟合现象。（ ）
- 以下哪些内容是Adabosst权值更新方法。（ ）
- AdaBoost中基础分类器的权重设置策略存在的问题有( )。
- 集成学习（ensemble learning）通过构建并结合多个学习器（learner）来完成学习任务，目前集成学习主要分为两大类，以下哪些算法中个体学习器是串行序列化生成的。（ ）。
- AdaBoost算法的优点有：（ ）。
- 由于AdaBoost是boosting的改进方法，而且性能比较稳定，故在实际中一般都直接使用AdaBoost而不会使用原始的boosting。（ ）
A:对 B:错
答案:对
A:对 B:错
A:对 B:错
A:错 B:对
A:错 B:对
A:计算弱分类器的权值；
B:集合多个弱分类器成一个最终的强分类器。
C:找到误差最小的弱分类器；
D:更新下一轮样本的权值分布；
E:初始化权值分布；
A:不能保证是最优解 B:不能根据测试样本进行自适应调整
C:需要用户进行手工设置 D:计算复杂
A:boosting B:bagging C:Random Forest D:Adaboost
A:adaboost是一种有很高精度的分类器。
B:当使用简单分类器时，计算出的结果是可以理解的。而且弱分类器构造极其简单。
C:可以使用各种方法构建子分类器，Adaboost算法提供的是框架。
D:简单，不用做特征筛选。
A:错 B:对
温馨提示支付 ￥3.00 元后可查看付费内容,请先翻页预览!
