在线网课学堂《深度学习基础》单元考核测试答案

训练集(trainingset)和测试集Truepositives(TP):被正确地划分为正例的个数，即实际为正例且被分类器划分Falsenegatives(FN):被错分类准确率Accuracy=(TP+TN)调和平均。如果二者（即准确率和召回率）同等A.(纵轴)敏感性高=漏诊率低，而(横轴)特AUC值提供了分类器的一个整体数值。通常BOW，即词袋模型。即为了计算文档之间的相似度，假设可以忽略文档内的单词顺序和语为了在python程序中进行英文自然语言的处理，如词语切分（Tokenization）词干提取其Uni-gram为“I”,“like”,“to”,“eat”,“apple”其Bi-gram为“Ilike”,“like其Tri-gram为“Iliketo”,“like关于特征降维方法有线性判别分析（LDA）和主成分分析法（PCA错误的是x=np.random.random(5)y=np.random.random(5)sim=np.dot(x,y)/(np.linalg.norm(x)*np.linalg.nox=np.random.random(5)y=np.random.random(5)数据集进行特征降维，以便于数据的二维平面可视化。则其中空格处应该填充的1234狭义线性模型通常是指自变量与因变量之间呈按比例、成直线的关系。一阶导数不为广义线性是线性模型的扩展，主要通过联结函数，使预测值落在响应变量的变梯度下降是利用一阶的梯度信息找到代价函数局部最优解的一通常会先初始化一组参数值,然后在这个值之上，用梯度下降法去求出下一组的值。由于是梯度下降的，所以损失函数的值在下降。当迭代到一定程度，此时的参数取值即为Sigmoid函数有个很漂亮的“S”形,特点是一开始变该方法从一个初始的猜测值以求得函数的局部最优值。该方法需要迭scikit-learn只能用onscikit-learn只能用one-vs.-t信息熵由Shannon提出，信息熵的概念可以用信息熵是通信领域的概念，和机器学习以及深度学习无关相对熵又称为KL散度（Kullback-Lei相对熵又称为信息散度（informationdiverg相对熵又称为信息增益（informationg关于感知机（perceptron下列说法错误的是感知机是二分类的线性分类模型，属于有监感知机是二分类的线性分类模型，属于无监q=np.array([0.6,0.2程序最后两行的的目的是计算相对熵，其是交叉熵与信息熵的q=np.array([0.6,0.2result=0.5*np.sum(p*np.log(p/M))+0.5*npq=np.array([0.6,0.2loss=-np.sum(label*np.log(so对于给定的下面的一段python程一对多的序列输出。如输入一张图片，生成输问题。并被AlexGraves进行了改良LSTM在隐藏层上增加了一个长期状态c(cellstate)，用于保存则双向网络假设当前步的输出只与前面的序列有关，而与后面的序列双向网络假设当前步的输出与前面的序列无关，而与后面的序列双向网络假设当前步的输出既与前面的序列有关，也与后面的序列在卷积神经网络的某个降采样层(pooling层)中，经过降采样处理，得到了16个关于采用卷积神经网络进行图像分类和文本分类的比卷积神经网络只能用于图像分类，不能用于文本分类，没有相关文使用卷积神经网络进行句子分类，一般将句子中每个词表示为固定长度的向量，这样句子就可以表示为矩阵，从而使得在结构上与图像类似，并在后续进行卷积图像处理应用中，卷积核处理的局部区域为图像的一小块区域，而在从开始的层到后面的层，经过变换得到的特征图的尺寸逐渐变大从开始的层到后面的层，经过变换得到的特征图的尺寸逐渐变小从开始的层到后面的层，经过变换得到的特征图的尺寸大小不变从开始的层到后面的层，经过变换得到的特征图的尺寸开始变小，后来变大在卷积神经网络中，卷积的下一步通常是进行池化处理(pool如果参数较多，则容易导致过拟合。而减少参数有助于参数共享的优势是通过一个任务上学习到的参数可以直接应用到另外一个任参数越多，才能避免过拟合，减少参数容易导致隐藏层有50个神经元，每个神经元与输入图像是全数（包括偏置参数）？101010深度学习中的词向量表示模型存在的一个突出问题就是“词汇传统方法中词向量表示模型存在一个突出问题就是“Word2vec需要利用到较大规模的每个词通常初始化表示为一个d维的向不同长度和句法类型的句子其组合词向量的1.根据样本预测值和真实值之间的误差，计算损失函数2.迭代更新，直到模型整体误差小于阈值或者达到预定的迭代次数5.反向传播，按照梯度下降的方向改变神经元相应的权重值Tanh如果使用自动编码器提取特征，并与有监督学习模型使用，则在其训练过程中不需要解码器使用自动编码器提取特征，并与有监督学习模型使用。因为监督学习通常的标注数据较少模型训练完毕后，可以从这种先验分布中采样得到潜在变量，并通过解码器得到新的样本VAE在自动编码机基础上加入了随机因子，这样就可以从该模型中采