機(jī)器學(xué)習(xí)知到章節(jié)答案智慧樹2023年同濟(jì)大學(xué)

機(jī)器學(xué)習(xí)知到章節(jié)測(cè)試答案智慧樹2023年最新同濟(jì)大學(xué)第一章測(cè)試

回歸和分類都是有監(jiān)督學(xué)習(xí)問(wèn)題。（）

參考答案:

對(duì)

輸出變量為有限個(gè)離散變量的預(yù)測(cè)問(wèn)題是回歸問(wèn)題；輸出變量為連續(xù)變量的預(yù)測(cè)問(wèn)題是分類問(wèn)題。（）

參考答案:

錯(cuò)

關(guān)于“回歸（Regression）”和“相關(guān)（Correlation）”，下列說(shuō)法正確的是？注意：x是自變量，y是因變量。（）

參考答案:

回歸在x和y之間是非對(duì)稱的，相關(guān)在x和y之間是互為對(duì)稱的

如果一個(gè)經(jīng)過(guò)訓(xùn)練的機(jī)器學(xué)習(xí)模型在測(cè)試集上達(dá)到100%的準(zhǔn)確率，這就意味著該模型將在另外一個(gè)新的測(cè)試集上也能得到100%的準(zhǔn)確率。（）

參考答案:

錯(cuò)

機(jī)器學(xué)習(xí)學(xué)得的模型適用于新樣本的能力，稱為"泛化"能力，這是針對(duì)分類和回歸等監(jiān)督學(xué)習(xí)任務(wù)而言的，與聚類這樣的無(wú)監(jiān)督學(xué)習(xí)任務(wù)無(wú)關(guān)。（）

參考答案:

錯(cuò)

機(jī)器學(xué)習(xí)時(shí)，我們通常假設(shè)樣本空間中的全體樣本都服從某個(gè)未知"分布"，并且我們獲得的每個(gè)樣本都是獨(dú)立地從這個(gè)分布上采樣獲得的。（）

參考答案:

對(duì)

從歸納偏好一般性原則的角度看，"奧卡姆剃刀"(Occam'srazor)準(zhǔn)則與“大道至簡(jiǎn)”說(shuō)的是相同的道理。（）

參考答案:

對(duì)

以下方法或系統(tǒng)屬于"符號(hào)主義"(symbolism)學(xué)習(xí)技術(shù)的是（）

參考答案:

"概念學(xué)習(xí)系統(tǒng)"

;"基于邏輯的歸納學(xué)習(xí)系統(tǒng)“

;"結(jié)構(gòu)學(xué)習(xí)系統(tǒng)"

以下方法或技術(shù)屬于統(tǒng)計(jì)學(xué)習(xí)范疇的是（）

參考答案:

支持向量機(jī)

;核方法

歸納學(xué)習(xí)相當(dāng)于"從樣例中學(xué)習(xí)"，即從訓(xùn)練樣例中歸納出學(xué)習(xí)結(jié)果。（）

參考答案:

對(duì)

第二章測(cè)試

回歸問(wèn)題和分類問(wèn)題都有可能發(fā)生過(guò)擬合。（）

參考答案:

對(duì)

對(duì)于k折交叉驗(yàn)證,以下對(duì)k的說(shuō)法正確的是（）

參考答案:

k越大,不一定越好,選擇大的k會(huì)加大評(píng)估時(shí)間

;選擇更大的k,就會(huì)有更小的bias(因?yàn)橛?xùn)練集更加接近總數(shù)據(jù)集)

;在選擇k時(shí),要最小化數(shù)據(jù)集之間的方差

小明參加Kaggle某項(xiàng)大數(shù)據(jù)競(jìng)賽，他的成績(jī)?cè)诖筚惻判邪裆显揪佑谇?0，后來(lái)他保持特征不變，對(duì)原來(lái)的模型做了1天的調(diào)參，將自己的模型在自己本地測(cè)試集上的準(zhǔn)確率提升了3%，然后他信心滿滿地將新模型的預(yù)測(cè)結(jié)果更新到了大賽官網(wǎng)上，結(jié)果懊惱地發(fā)現(xiàn)自己的新模型在大賽官方的測(cè)試集上準(zhǔn)確率反而下降了。對(duì)此，他的朋友們展開了討論，下列說(shuō)法正確的是（）

參考答案:

小明這個(gè)有可能是由于過(guò)擬合導(dǎo)致的

;小明可以考慮一下，使用交叉驗(yàn)證來(lái)驗(yàn)證一下是否發(fā)生了過(guò)擬合

下列哪種方法可以用來(lái)減小過(guò)擬合？（）

參考答案:

更多的訓(xùn)練數(shù)據(jù)

;L2正則化

;減小模型的復(fù)雜度

;L1正則化

下列關(guān)于bootstrap說(shuō)法正確的是？（）

參考答案:

從總的N個(gè)樣本中，有放回地抽取n個(gè)樣本（n＜N）

評(píng)估完模型之后，發(fā)現(xiàn)模型存在高偏差（highbias），應(yīng)該如何解決？（）

參考答案:

增加模型的特征數(shù)量

第三章測(cè)試

如果我們說(shuō)“線性回歸”模型完美地?cái)M合了訓(xùn)練樣本（訓(xùn)練樣本誤差為零），則下面哪個(gè)說(shuō)法是正確的？（）

參考答案:

選項(xiàng)中的答案都不對(duì)

下列關(guān)于線性回歸分析中的殘差（Residuals）說(shuō)法正確的是？（）

參考答案:

殘差均值總是為零

下列哪些假設(shè)是我們推導(dǎo)線性回歸參數(shù)時(shí)遵循的？（）

參考答案:

模型誤差在統(tǒng)計(jì)學(xué)上是獨(dú)立的

;X是非隨機(jī)且測(cè)量沒(méi)有誤差的

;誤差一般服從0均值和固定標(biāo)準(zhǔn)差的正態(tài)分布

;X與Y有線性關(guān)系（多項(xiàng)式關(guān)系）

一般來(lái)說(shuō)，下列哪種方法常用來(lái)預(yù)測(cè)連續(xù)獨(dú)立變量？（）

參考答案:

線性回歸

上圖中哪一種偏移，是我們?cè)谧钚《酥本€擬合的情況下使用的？圖中橫坐標(biāo)是輸入X，縱坐標(biāo)是輸出Y。（）

參考答案:

垂直偏移（verticaloffsets）

加入使用邏輯回歸對(duì)樣本進(jìn)行分類，得到訓(xùn)練樣本的準(zhǔn)確率和測(cè)試樣本的準(zhǔn)確率?，F(xiàn)在，在數(shù)據(jù)中增加一個(gè)新的特征，其它特征保持不變。然后重新訓(xùn)練測(cè)試。則下列說(shuō)法正確的是？（）

參考答案:

訓(xùn)練樣本準(zhǔn)確率一定增加或保持不變

點(diǎn)擊率預(yù)測(cè)是一個(gè)正負(fù)樣本不平衡問(wèn)題（例如99%的沒(méi)有點(diǎn)擊，只有1%點(diǎn)擊）。假如在這個(gè)非平衡的數(shù)據(jù)集上建立一個(gè)模型，得到訓(xùn)練樣本的正確率是99%，則下列說(shuō)法正確的是？（）

參考答案:

模型正確率并不高，應(yīng)該建立更好的模型

第四章測(cè)試

在決策樹分割結(jié)點(diǎn)的時(shí)候，下列關(guān)于信息增益說(shuō)法正確的是（）

參考答案:

信息增益可以用”1比特-熵”獲得

;如果選擇一個(gè)屬性具有許多特征值,那么這個(gè)信息增益是有偏差的

如果自變量X和因變量Y之間存在高度的非線性和復(fù)雜關(guān)系，那么樹模型很可能優(yōu)于經(jīng)典回歸方法。（）

參考答案:

對(duì)

在決策樹學(xué)習(xí)過(guò)程中，用屬性α對(duì)樣本集D進(jìn)行劃分所獲得的"信息增益"越大，則意味著使用屬性α來(lái)進(jìn)行劃分所獲得的"純度提升"越大。（）

參考答案:

對(duì)

對(duì)于劃分屬性選擇，以下說(shuō)法正確的是（）

參考答案:

增益率準(zhǔn)則對(duì)可取值數(shù)目較少的屬性有所偏好

;信息增益準(zhǔn)則對(duì)可取值數(shù)目較多的屬性有所偏好

;C4.5算法并不是直接選擇增益率最大的候選劃分屬性，而是先從候選劃分屬性中找出信息增益高于平均水平的屬性，再?gòu)闹羞x擇增益率最高的。

數(shù)據(jù)集D的純度可用它的基尼值來(lái)度量，基尼值越小，則數(shù)據(jù)集D的純度越高。（）

參考答案:

對(duì)

第五章測(cè)試

假定你在神經(jīng)網(wǎng)絡(luò)中的隱藏層中使用激活函數(shù)X。在特定神經(jīng)元給定任意輸入，你會(huì)得到輸出-0.01。X可能是以下哪一個(gè)激活函數(shù)？（）

參考答案:

tanh

在回歸模型中，下列哪一項(xiàng)在權(quán)衡欠擬合（under-fitting）和過(guò)擬合（over-fitting）中影響最大？（）

參考答案:

多項(xiàng)式階數(shù)

深度神經(jīng)網(wǎng)絡(luò)中常用Relu函數(shù)作為激活函數(shù)，其好處是：（）

參考答案:

求梯度簡(jiǎn)單

;具有稀疏特性

;收斂快

梯度爆炸問(wèn)題是指在訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的時(shí)候，梯度變得過(guò)大而損失函數(shù)變?yōu)闊o(wú)窮。在RNN中，下面哪種方法可以較好地處理梯度爆炸問(wèn)題？（）

參考答案:

梯度裁剪

Dropout技術(shù)在下列哪種神經(jīng)層中將無(wú)法發(fā)揮顯著優(yōu)勢(shì)？（）

參考答案:

RNN層

第六章測(cè)試

如果SVM模型欠擬合,以下方法哪些可以改進(jìn)模型（）

參考答案:

增大懲罰參數(shù)C的值

在訓(xùn)練完SVM之后，我們可以只保留支持向量，而舍去所有非支持向量，仍然不會(huì)影響模型分類能力。（）

參考答案:

對(duì)

關(guān)于SVM與感知機(jī)，以下說(shuō)法正確的是：（）

參考答案:

感知機(jī)只用于線性分類，SVM可用于線性和非線性分類

;都是用于分類的監(jiān)督學(xué)習(xí)算法

;損失函數(shù)方面，感知機(jī)采用的是誤分類，易造成過(guò)擬合，而SVM采用間隔最大化(合頁(yè)損失函數(shù))，一定程度上可避免過(guò)擬合

;優(yōu)化方法方面，感知機(jī)采用梯度下降法，而SVM采用不等式約束結(jié)合拉格朗日乘子

支持向量機(jī)SVM是結(jié)構(gòu)風(fēng)險(xiǎn)最小化模型，而邏輯回歸LR是經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化模型。（）

參考答案:

對(duì)

邏輯回歸LR是參數(shù)模型，支持向量機(jī)SVM是非參數(shù)模型。（）

參考答案:

對(duì)

關(guān)于SVM如何選用核函數(shù)，下列說(shuō)法正確的是：（）

參考答案:

線性核主要用于線性可分以及樣本數(shù)與特征數(shù)差不多的情況

;非線性核主要用于線性不可分以及特征數(shù)較少樣本量一般的情況

;高斯核和tanh核都屬于非線性核，而且高斯核還可以把原始維度映射到無(wú)窮多維

第七章測(cè)試

下列關(guān)于極大似然估計(jì)（MaximumLikelihoodEstimate，MLE），說(shuō)法正確的是（）

參考答案:

MLE可能并不存在

;如果MLE存在，那么它的解可能不是唯一的

樸素貝葉斯屬于生成式模型，而SVM和決策樹屬于判別式模型。（）

參考答案:

對(duì)

樸素貝葉斯分類器有屬性條件獨(dú)立的假設(shè)前提。（）

參考答案:

對(duì)

上面三個(gè)貝葉斯模型中，屬性之間存在依賴關(guān)系的是：（）

參考答案:

（b）

;（c）

關(guān)于貝葉斯網(wǎng)絡(luò)，以下說(shuō)法正確的是：（）

參考答案:

貝葉斯網(wǎng)絡(luò)又稱信念網(wǎng)絡(luò)

;貝葉斯網(wǎng)絡(luò)是一種概率圖模型

;貝葉斯網(wǎng)絡(luò)是有向無(wú)環(huán)圖模型

第八章測(cè)試

下面關(guān)于RandomForest和GradientBoostingTrees說(shuō)法正確的是？（）

參考答案:

兩者都使用隨機(jī)特征子集來(lái)創(chuàng)建中間樹

數(shù)據(jù)科學(xué)家經(jīng)常使用多個(gè)算法進(jìn)行預(yù)測(cè)，并將多個(gè)機(jī)器學(xué)習(xí)算法的輸出（稱為“集成學(xué)習(xí)”）結(jié)合起來(lái)，以獲得比所有個(gè)體模型都更好的更健壯的輸出。則下列說(shuō)法正確的是？（）

參考答案:

基本模型之間相關(guān)性低

以下方法屬于集成學(xué)習(xí)方法的是（）

參考答案:

stacking

;bagging

;boosting

如果用“三個(gè)臭皮匠頂個(gè)諸葛亮”來(lái)比喻集成學(xué)習(xí)的話，那么對(duì)三個(gè)臭皮匠的要求可能是：（）

參考答案:

三個(gè)臭皮匠不能太差，每個(gè)人考試都能及格

;三個(gè)臭皮匠的優(yōu)點(diǎn)各不相同

集成學(xué)習(xí)中個(gè)體學(xué)習(xí)器的多樣性不宜高，否則容易顧此失彼，降低系統(tǒng)的總體性能。（）

參考答案:

錯(cuò)

第九章測(cè)試

向量x=[1,2,3,4,-9,0]的L1范數(shù)是（）

參考答案:

19

如何在監(jiān)督式學(xué)習(xí)中使用聚類算法？（）

參考答案:

首先，可以創(chuàng)建聚類，然后分別在不同的集群上應(yīng)用監(jiān)督式學(xué)習(xí)算法

;在應(yīng)用監(jiān)督式學(xué)習(xí)算法之前，可以將其類別ID作為特征空間中的一個(gè)額外的特征

下列聚類方法屬于原型聚類的是（）

參考答案:

K-Means算法

;學(xué)習(xí)向量量化LVQ

;高斯混合聚類

K-Means聚類的主要缺點(diǎn)有：（）

參考答案:

K值很難確定

;對(duì)于非凸數(shù)據(jù)集或類別規(guī)模差異太大的數(shù)據(jù)效果不好

;對(duì)噪音和異常點(diǎn)敏感

;聚類效果依賴于聚類中心的初始化

k均值算法和"學(xué)習(xí)向量量化"都是原型聚類方法，也都屬于無(wú)監(jiān)督學(xué)習(xí)方法。（）

參考答案:

錯(cuò)

第十章測(cè)試

使用k=1的kNN算法,下圖二分類問(wèn)題,“+”和“o”分別代表兩個(gè)類,那么,用僅拿出一個(gè)測(cè)試樣本的交叉驗(yàn)證方法,交叉驗(yàn)證的錯(cuò)誤率是（）

參考答案:

100%

下列說(shuō)法錯(cuò)誤的是？（）

參考答案:

沿負(fù)梯度的方向一定是最優(yōu)的方向

以下哪些方法不可以直接來(lái)對(duì)文本分類？（）

參考答案:

K-Means

下列哪些算法可以用來(lái)夠造神經(jīng)網(wǎng)絡(luò)？（）

參考答案:

線性回歸

;邏輯回歸

我們想要訓(xùn)練一個(gè)ML模型，樣本數(shù)量有100萬(wàn)個(gè)，特征維度是5000，面對(duì)如此大數(shù)據(jù)，如何有效地訓(xùn)練模型？（）

參考答案:

對(duì)訓(xùn)練集隨機(jī)采樣，在隨機(jī)采樣的數(shù)據(jù)上建立模型

;使用PCA算法減少特征維度

;嘗試使用在線機(jī)器學(xué)習(xí)算法

上圖中，主成分的最佳數(shù)目是多少？（）

參考答案:

30

第十一章測(cè)試

關(guān)于L1正則和L2正則下面的說(shuō)法正確的是（）

參考答案:

L2正則化表示各個(gè)參數(shù)的平方和的開方值

;L1范數(shù)會(huì)使權(quán)值稀疏

關(guān)于特征選擇，下列對(duì)Ridge回歸和Lasso回歸說(shuō)法正確的是？（）

參考答案:

Lasso回歸適用于特征選擇

下列哪一種方法的系數(shù)沒(méi)有閉式（closed-form）解？（）

參考答案:

Lasso

我們希望減少數(shù)據(jù)集中的特征數(shù)量。你可以采取以下哪一個(gè)步驟來(lái)減少特征？（）

參考答案:

使用正向選擇法（ForwardSelection）

;使用反向消除法（BackwardElimination）

;逐步選擇消除法（Stepw