機(jī)器學(xué)習(xí)實(shí)戰(zhàn)-基于Scikit-Learn智慧樹(shù)知到期末考試答案2024年

機(jī)器學(xué)習(xí)實(shí)戰(zhàn)——基于Scikit-Learn智慧樹(shù)知到期末考試答案2024年機(jī)器學(xué)習(xí)實(shí)戰(zhàn)——基于Scikit-LearnSVM中的代價(jià)參數(shù)C表示什么？（）

A:用到的核函數(shù)B:交叉驗(yàn)證的次數(shù)C:其余D:在分類(lèi)準(zhǔn)確性和模型復(fù)雜度之間的權(quán)衡答案:在分類(lèi)準(zhǔn)確性和模型復(fù)雜度之間的權(quán)衡關(guān)于各類(lèi)核函數(shù)的優(yōu)缺點(diǎn)說(shuō)法錯(cuò)誤的是：（）。

A:多項(xiàng)式核需要多次特征轉(zhuǎn)換B:高斯核計(jì)算簡(jiǎn)單，不容易過(guò)擬合C:高斯核能夠應(yīng)對(duì)較為復(fù)雜的數(shù)據(jù)D:線性核計(jì)算簡(jiǎn)單，可解釋性強(qiáng)答案:高斯核計(jì)算簡(jiǎn)單，不容易過(guò)擬合?線性SVM和一般線性分類(lèi)器的區(qū)別主要是:（）。

A:是否能處理線性不可分問(wèn)題B:訓(xùn)練誤差通常較低C:是否確保間隔最大化D:是否進(jìn)行了空間映射答案:是否進(jìn)行了空間映射以下關(guān)于決策樹(shù)原理介紹錯(cuò)誤的有（）。

A:決策樹(shù)算法屬于無(wú)監(jiān)督學(xué)習(xí)B:決策樹(shù)生成過(guò)程中需要用到分割法C:決策樹(shù)決策過(guò)程從根節(jié)點(diǎn)開(kāi)始D:決策樹(shù)算法本質(zhì)上是貪心算法答案:決策樹(shù)算法屬于無(wú)監(jiān)督學(xué)習(xí)關(guān)于C4.5算法，錯(cuò)誤的是（）。

A:C4.5算法采用基尼系數(shù)的大小來(lái)度量特征的各個(gè)劃分點(diǎn)B:C4.5算法最大的特點(diǎn)是克服了ID3對(duì)特征數(shù)目的偏重這一缺點(diǎn)C:C4.5算法可以處理非離散的數(shù)據(jù)D:C4.5算法引入悲觀剪枝策略進(jìn)行后剪枝答案:C4.5算法采用基尼系數(shù)的大小來(lái)度量特征的各個(gè)劃分點(diǎn)以下那種算法不是集成學(xué)習(xí)算法（）

A:AdaBoostB:隨機(jī)森林C:決策樹(shù)D:XGBoost答案:決策樹(shù)以下關(guān)于隨機(jī)森林(RandomForest)說(shuō)法正確的是（）。

A:隨機(jī)森林構(gòu)建決策樹(shù)時(shí),是無(wú)放回的選取訓(xùn)練數(shù)據(jù)B:隨機(jī)森林由若干決策樹(shù)組成,決策樹(shù)之間存在關(guān)聯(lián)性C:隨機(jī)森林算法容易陷入過(guò)擬合D:隨機(jī)森林學(xué)習(xí)過(guò)程分為選擇樣本、選擇特征、構(gòu)建決策樹(shù)、投票四個(gè)部分答案:隨機(jī)森林學(xué)習(xí)過(guò)程分為選擇樣本、選擇特征、構(gòu)建決策樹(shù)、投票四個(gè)部分?ID3算法的缺點(diǎn)不包括（）。

A:沒(méi)有考慮缺失值B:信息增益準(zhǔn)則對(duì)可取值數(shù)目較多的特征有所偏好，類(lèi)似“編號(hào)”的特征其信息增益接近于1C:ID3沒(méi)有剪枝策略，容易過(guò)擬合D:既能用于處理離散分布的特征，也能用于連續(xù)分布的特征處理答案:既能用于處理離散分布的特征，也能用于連續(xù)分布的特征處理機(jī)器學(xué)習(xí)中做特征選擇時(shí)，可能用到的方法有？（）

A:A，B，CB:平均互信息C:卡方D:期望交叉熵E:信息增益答案:信息增益###卡方###平均互信息###期望交叉熵?以下關(guān)于決策樹(shù)特點(diǎn)分析的說(shuō)法錯(cuò)誤的有（）。

A:算法自動(dòng)忽略了對(duì)模型沒(méi)有貢獻(xiàn)的屬性變量B:算法考慮了數(shù)據(jù)屬性之間的相關(guān)性C:推理過(guò)程容易理解，計(jì)算簡(jiǎn)單D:算法容易造成過(guò)擬合答案:算法考慮了數(shù)據(jù)屬性之間的相關(guān)性關(guān)于支持向量機(jī)中硬間隔和軟間隔的說(shuō)法錯(cuò)誤的是（）。

A:硬間隔有利于消除模型的過(guò)擬合B:軟間隔有利于獲取更大的分類(lèi)間隔C:硬間隔要求所有數(shù)據(jù)分類(lèi)完全準(zhǔn)確，不允許出現(xiàn)錯(cuò)誤D:軟間隔允許一定的樣本分類(lèi)錯(cuò)誤答案:硬間隔有利于消除模型的過(guò)擬合?Adboost的優(yōu)點(diǎn)不包括（）

A:可以用各種回歸分類(lèi)模型來(lái)構(gòu)建弱學(xué)習(xí)器,非常靈活B:分類(lèi)精度高C:不容易發(fā)生過(guò)擬合D:對(duì)異常點(diǎn)敏感,異常點(diǎn)會(huì)獲得較高權(quán)重答案:對(duì)異常點(diǎn)敏感,異常點(diǎn)會(huì)獲得較高權(quán)重以下關(guān)于剪枝操作說(shuō)法正確的是（）。

A:C4.5采用的是基于代價(jià)函數(shù)的后剪枝B:ID3沒(méi)有剪枝策略C:CART采用的是悲觀策略的預(yù)剪枝D:其余答案:ID3沒(méi)有剪枝策略一般，k-NN最近鄰方法在（）的情況下效果較好。

A:樣本呈團(tuán)狀分布B:樣本較少但典型性好C:樣本較多但典型性不好D:樣本呈鏈狀分布答案:樣本較多但典型性不好?在SVM中,margin的含義是（）

A:損失誤差B:幅度C:差額D:間隔答案:間隔?C4.5選擇屬性用的是（）。

A:信息熵B:交叉熵C:信息增益率D:信息增益答案:信息增益率下面關(guān)于隨機(jī)森林和梯度提升集成方法的說(shuō)法哪個(gè)是正確的?（）

A:兩種方法都可以用來(lái)做回歸B:這兩種方法都可以用來(lái)做分類(lèi)C:隨機(jī)森林用來(lái)做回歸,梯度提升用來(lái)做分類(lèi)D:隨機(jī)森林用來(lái)做分類(lèi),梯度提升用來(lái)做回歸答案:兩種方法都可以用來(lái)做回歸###這兩種方法都可以用來(lái)做分類(lèi)（）和（）是分類(lèi)任務(wù)中最常用的兩種評(píng)估指標(biāo)。（）

A:錯(cuò)誤率B:查準(zhǔn)率C:查全率D:準(zhǔn)確率（精度）答案:準(zhǔn)確率（精度）###錯(cuò)誤率按照學(xué)習(xí)方式的不同，可以將機(jī)器學(xué)習(xí)分為以下哪幾類(lèi)（）。

A:半監(jiān)督學(xué)習(xí)B:無(wú)監(jiān)督學(xué)習(xí)C:有監(jiān)督學(xué)習(xí)D:自主學(xué)習(xí)答案:半監(jiān)督學(xué)習(xí)###無(wú)監(jiān)督學(xué)習(xí)###有監(jiān)督學(xué)習(xí)關(guān)于剪枝，以下算法正確的是：（）。

A:決策樹(shù)剪枝的基本策略有預(yù)剪枝和后剪枝B:剪枝是防止過(guò)擬合的手段C:C4.5算法沒(méi)有剪枝操作D:ID3算法沒(méi)有剪枝操作答案:ID3算法沒(méi)有剪枝操作###決策樹(shù)剪枝的基本策略有預(yù)剪枝和后剪枝###剪枝是防止過(guò)擬合的手段以下那種算法需要對(duì)數(shù)據(jù)進(jìn)行歸一化或者標(biāo)準(zhǔn)化（）。

A:線性回歸B:決策樹(shù)C:KNND:邏輯回歸答案:KNN###線性回歸###邏輯回歸隨機(jī)森林和Bagging算法沒(méi)有區(qū)別,只是將每個(gè)基學(xué)習(xí)器換做了決策樹(shù)算法。（）

A:錯(cuò)B:對(duì)答案:錯(cuò)ID3算法只能用于處理離散分布的特征。（）

A:錯(cuò)誤B:正確答案:正確超參數(shù)選擇不當(dāng)，會(huì)對(duì)模型有較大的負(fù)面影響，所以在參數(shù)調(diào)整策略方面，所有超參數(shù)都同等重要。（）

A:錯(cuò)B:對(duì)答案:錯(cuò)?SVM的數(shù)據(jù)需要?dú)w一化或者標(biāo)準(zhǔn)化。（）

A:正確B:錯(cuò)誤答案:正確支持向量是最靠近決策表面的數(shù)據(jù)點(diǎn)。（）

A:正確B:錯(cuò)誤答案:正確決策樹(shù)節(jié)點(diǎn)劃分指標(biāo)中信息增益越大越好。（）

A:正確B:錯(cuò)誤答案:錯(cuò)誤正則化是為了防止模型過(guò)擬合而引入額外信息，對(duì)模型原有邏輯進(jìn)行外部干預(yù)和修正，從而提高模型的泛化能力。（）

A:正確B:錯(cuò)誤答案:正確當(dāng)預(yù)測(cè)器盡可能互相獨(dú)立時(shí)，集成方法的效果最優(yōu)。（）

A:錯(cuò)誤B:正確答案:錯(cuò)誤?C4.5是通過(guò)代價(jià)復(fù)雜度剪枝。（）

A:正確B:錯(cuò)誤答案:錯(cuò)誤對(duì)于PCA(主成分分析)轉(zhuǎn)化過(guò)的特征,樸素貝葉斯的”不依賴(lài)假設(shè)”總是成立,因?yàn)樗兄饕煞质钦坏?。（?/p>

A:對(duì)B:錯(cuò)答案:錯(cuò)監(jiān)督學(xué)習(xí)的學(xué)習(xí)數(shù)據(jù)既有特征（feature），也有標(biāo)簽（label）。（）

A:正確B:錯(cuò)誤答案:正確?Bagging算法中不要求個(gè)體學(xué)習(xí)器都采用同種算法。（）

A:錯(cuò)B:對(duì)答案:對(duì)關(guān)于自助法，以下說(shuō)法錯(cuò)誤的是（）。

A:集成的方差增高B:bagging比pasting的偏差略高C:預(yù)測(cè)器之間的關(guān)聯(lián)度更低D:給每個(gè)預(yù)測(cè)器的訓(xùn)練子集引入了更高的多樣性答案:AI參考:關(guān)于自助法，以下說(shuō)法錯(cuò)誤的是選項(xiàng)A：集成的方差增高。\n\n自助法（bootstrap）是一種用于估計(jì)統(tǒng)計(jì)量的抽樣方法，它通過(guò)有放回地從原始數(shù)據(jù)集中抽取樣本，重新構(gòu)造一批新的數(shù)據(jù)集，然后重復(fù)這個(gè)過(guò)程來(lái)獲得一組樣本數(shù)據(jù)。通過(guò)這種方式，原始數(shù)據(jù)的偏差被縮小了，但是也帶來(lái)了兩個(gè)問(wèn)題：樣本數(shù)量下降和方差增大。因此，選項(xiàng)A是錯(cuò)誤的。其他選項(xiàng)B、C、D都是關(guān)于自助法的正確說(shuō)法。\n\nBaggining（bagging）是一種基于自助法的集成學(xué)習(xí)方法，通過(guò)在原始數(shù)據(jù)集上多次抽樣，減少模型的偏差，同時(shí)提高模型的方差穩(wěn)定性。而Pasting（pasting）是另一種基于自助法的集成學(xué)習(xí)方法，通過(guò)減少模型之間的相關(guān)性來(lái)提高模型的性能。\n\n預(yù)測(cè)器之間的關(guān)聯(lián)度更低和給每個(gè)預(yù)測(cè)器的訓(xùn)練子集引入了更高的多樣性都是自助法的優(yōu)點(diǎn)，可以降低過(guò)擬合的風(fēng)險(xiǎn)，提高模型的泛化能力。因此，選項(xiàng)B、C、D都是正確的。'在一個(gè)1,000,000維的超立方體中隨機(jī)抽取兩點(diǎn)，其平均距離為（）。

A:無(wú)法計(jì)算B:0.66C:0.52D:408.25答案:AI參考:正確答案是C：0.52。\n在一個(gè)1,000,000維的超立方體中隨機(jī)抽取兩點(diǎn)，其平均距離為所有可能距離的平均值，即所有可能距離的幾何平均值。由于超立方體是一個(gè)n維空間，因此平均距離為1/n，即0.52。因此，正確答案是C。'隨機(jī)森林在書(shū)的生長(zhǎng)上引入了更多的隨機(jī)性，體現(xiàn)在（）。

A:分裂節(jié)點(diǎn)時(shí)搜索最好的特征B:在一個(gè)隨機(jī)生成的特征子集里搜索最好的特征C:決策樹(shù)的多樣性降低D:ABC答案:AI參考:隨機(jī)森林在書(shū)的生長(zhǎng)上引入了更多的隨機(jī)性，體現(xiàn)在在一個(gè)隨機(jī)生成的特征子集里搜索最好的特征。隨機(jī)森林是在決策樹(shù)的基礎(chǔ)上構(gòu)建的，每個(gè)決策樹(shù)都是基于隨機(jī)特征子集進(jìn)行分裂的，這樣就可以引入更多的隨機(jī)性，從而增加了模型的多樣性。因此，正確答案是B：在一個(gè)隨機(jī)生成的特征子集里搜索最好的特征。'集成學(xué)習(xí)中流行的幾種集成方法，包括（）。

A:SVMB:stackingC:baggingD:boosting答案:AI參考:集成學(xué)習(xí)中流行的幾種集成方法包括：Bagging，Boosting，Stacking。所以答案是：C：Bagging、D：boosting。\n\n其中，bagging是通過(guò)平均許多基學(xué)習(xí)器產(chǎn)生的預(yù)測(cè)結(jié)果來(lái)提高模型的穩(wěn)定性和精度的。boosting則是通過(guò)逐步改進(jìn)模型來(lái)提高模型的精度。而stacking則是將兩種或多種基學(xué)習(xí)器結(jié)合在一起，用于解決復(fù)雜的問(wèn)題。\n\n因此，答案為C和D。'軟間隔有利于獲取更大的分類(lèi)間隔。（）

A:對(duì)B:錯(cuò)答案:AI參考:答案是B：錯(cuò)。軟間隔算法通常會(huì)降低分類(lèi)間隔，因?yàn)樗谟?jì)算距離時(shí)考慮了