机器学习基础智慧树知到期末考试答案章节答案2024年太原理工大学

机器学习基础智慧树知到期末考试答案+章节答案2024年太原理工大学机器学习方法由（）等几个要素构成。

答案:模型评估指标###损失函数###模型###优化算法关于剪枝，以下算法正确的是（）。

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（）。

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）关于SVM的描述正确的是:（）

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以下关于KNN说法正确的是（）。

答案:对异常值不敏感###对数据没有假设###计算复杂度低传统机器学习的应用领域有（）。

答案:销售预测###商品推荐###信用风险检测降维的优点有哪些（）

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（）。

答案:移动簇中心，更新簇中心。###分配簇，计算距离。机器学习的核心要素包括（）。

答案:算法###数据###算力以下关于PCA说法正确的是（）

答案:PCA转换后选择的第一个方向是最主要特征梯度下降法中，梯度要加一个负号的原因是（）。

答案:梯度方向是上升最快方向,负号就是下降最快方向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（）。

答案:减少树的深度机器学习方法传统上可以分为（）类。

答案:4

答案:垂直偏移（verticaloffsets）

答案: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。

答案:关联规则挖掘以下关于K-means算法错误的有（）

答案:K-means算法不会出现局部极小值的问题对于线性回归，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。

答案:其它都不是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（）

答案:先验概率、后验概率SVM的效率依赖于（）。

答案:其它选项都对下列不是SVM核函数的是（）

答案:逻辑核函数下面有关机器学习的认识正确的是（）。

答案:高质量的样本对一个机器学习项目是必不可少的下列选项中，关于KNN算法说法不正确是（）

答案:效率很高以下关于逻辑回归与线性回归问题的描述错误的是（）。

答案:逻辑回归一般要求变量服从正态分布，线性回归一般不要求下列关于朴素贝叶斯的特点说法错误的是（）

答案:朴素贝叶斯模型无需假设特征条件独立以下关于决策树特点分析的说法错误的有（）。

答案:算法考虑了数据属性之间的相关性KNN（K近邻算法）属于一种典型的（）算法

答案:监督算法朴素贝叶斯分类器基于（）假设

答案:属性条件独立性下面关于回归分析的描述错误的是（）

答案:按照因变量的多少，可分为线性回归分析和非线性回归分析KNN最近邻方法在（）情况下效果较好？

答案:样本较少但典型性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）（）

答案:选择至少保留99%的方差的k的最小值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（）

答案:p(运动鞋｜男性)=25/30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（）

答案:27.7%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。（）

答案:对支持向量机求解不可以采用梯度下降方法求解最优值。（）

答案:错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。（）

答案:对根据肿瘤的体积、患者的年龄来判断良性或恶性，这是一个回归问题。（）

答案:错SVD可用于求解矩阵的伪逆。（）

答案:对Apriori算法是一种典型的关联规则挖掘算法。（）

答案:对梯度上升方法可以求解全局最大或者局部最大值。（）

答案:对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。（）

答案:错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。（）

答案:对K-Means聚类分析使用目标字段,预测某一结果。（）

答案:错逻辑回归和朴素贝叶斯都有对属性特征独立的要求。（）

答案:错梯度下降，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。（）

答案:对具有较高的支持度的项集具有较高的置信度。（）

答案:错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。（）

答案:错K均值算法，是一种原型聚类算法。（）

答案:对K-Means方法是基于划分的聚类方法。（）

答案:对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。（）。

答案:对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。（）

答案:错支持向量机是那些最接近决策平面的数据点。（）

答案:对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。（）

答案:对如果A为m阶实矩阵，ATA与AAT有相同的非零特征值集合。（）

答案:对如果A为m阶实矩阵，则ATA半正定。（）

答案:对

答案:-2,-1设实矩阵A有SVD：A=UΣVT，则下列说法错误的是（）。

答案:V的每行都是单位向量以下说法中错误的是（）。

答案:负定矩阵的特征值即为奇异值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（）。

答案: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。（）

答案:对

答案:下列关于主成分分析法(PCA)说法错误的是?（）

答案:要选出方差最小的作为主成分

答案:尿布，豆奶如果某个项集是频繁的，那么它的所有超集也是频繁的。（）

答案:错

答案:3/4

答案:4/5如果某个项集是频繁的，那么它的所有子集也是频繁的。（）

答案:对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（）

答案:原质心22的类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。

答案:3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（）

答案:1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（）。

答案:15.33以下对经典K-means聚类算法解释正确的是（）

答案:不能自动识别类的个数，随机挑选初始点为中心点计算

答案:10%

答案:-1朴素贝叶斯的基本假设是属性之间是相互独立的。（）

答案:对

答案:1.48%朴素贝叶斯是概率模型。（）

答案:对下列选项中，对于硬间隔支持向量机，超平面应该是（）。

答案: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。（）

答案:对

答案:大于1下列选项中，对于软间隔支持向量机，超平面应该是（）。

答案:

答案:A下面对集成学习模型中的弱学习器描述错误的是？（）

答案:弱学习器通常会过拟合

答案:0.4236

答案:

答案:

答案:0.1关于决策树剪枝操作正确的描述是（）。

答案:可以防止过拟合决策树模型中如何处理连续型属性（）。

答案:根据信息增益选择阈值进行离散化

答案:决策树模型中建树的基本原则是（）。

答案:信息增益大的属性应放在上层哪些情况下必须停止树的增长（）

答案:当前数据子集为空###当前数据子集的标签一致###没有更多可用属性###当前训练误差已经较低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。（）

答案:错以下关于梯度下降算法说法正确的是（）。

答案:学习率的选取会影响梯度下降算法的求解速度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。（）

答案:对随机梯度下降中每次迭代使用一个样本的梯度。（）

答案:对随机梯度下降导致方向变化过大，不能很快收敛到最优解。（）

答案:对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（）。

答案:logistic回归只能用于二分类问题。（）

答案:错logistic回归中也可以用正则化方法来防止过拟合。（）

答案:对假设训练了一个logistic回归分类器，对于一个样本我们有，则该式说明（）。

答案: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（）。

答案:60.316kg线性回归中加入正则化可以降低过拟合。（）

答案:对下列（）中两个变量之间的关系是线性的。

答案:重力和质量lasso中采用的是L2正则化。（）

答案:错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。（）

答案:错K近邻算法中采用不同的距离公式对于结果没有影响。（）

答案:错

答案:蓝色正方