2024年春江蘇開放大學機器學習形考作業(yè)二答案注意：學習平臺題目可能是隨機，題目順序與本答案未必一致，同學們在本頁按“Ctrl+F”快捷搜索題目中“關(guān)鍵字”就可以快速定位題目，一定注意答案對應(yīng)的選項，如果答案有疑問或遺漏，請在下載網(wǎng)站聯(lián)系上傳者進行售后。如需其它科目的答案也可以聯(lián)系上傳者。一、2024年春江蘇開放大學機器學習形考作業(yè)二單選題答案1、下列關(guān)于軟投票說法錯誤的是？A、投票表決器可以組合不同的基分類器B、使用概率平均的?式來預(yù)測樣本類別C、可以對每個基分類器設(shè)置權(quán)重，?于對預(yù)測概率求進?加權(quán)平均D、軟投票過程中每個基分類器都預(yù)測?個類別學生答案：D2、下列有關(guān)詞袋表示法的理解有誤的是（）A、將每個?本對應(yīng)詞表轉(zhuǎn)化為特征向量B、僅出現(xiàn)在少數(shù)本?的詞匯，?般被標記為停?詞不計?特征向量C、不考慮詞語出現(xiàn)的順序，每個出現(xiàn)過的詞匯單獨作為?列特征D、不重復(fù)的特征詞匯集合為詞表學生答案：B3、蘭德系數(shù)和輪廓系數(shù)都是常?的聚類分析指標，以下對蘭德系數(shù)和輪廓系數(shù)說法錯誤的是A、輪廓系數(shù)適?于實際類別信息未知的情況B、在聚類結(jié)果隨機產(chǎn)?的情況下，蘭德系數(shù)不能保證系數(shù)接近于0、C、蘭德系數(shù)取值為[0,1]，越?聚類結(jié)果與真實情況越接近D、調(diào)整蘭德系數(shù)取值范圍為[-1,1]，負數(shù)代表結(jié)果不好，越接近于0越好學生答案：D4、箱線圖是檢測離群值的?法，下?關(guān)于箱線圖的說法不正確的是？A、箱線圖中框的上邊線表示上四分位數(shù)，框的下邊線表示下四分位數(shù)B、箱外的兩條線（胡須）分別延伸到最?和最??異常點C、四分位距IQR=1.5(Q3-Q1)，其中Q3為上四分位數(shù)，Q1為下四分位數(shù)D、箱中?于上邊緣和低于下邊緣的值為離群點學生答案：C5、若集成模型中，預(yù)測值表示為，真實值為，則Adaboost的損失函數(shù)(LossFunction)表示為（）學生答案：B6、關(guān)于三種常?的穩(wěn)健性回歸?法–Huber回歸、RANSAC回歸和泰爾森回歸，下列選項說法正確的是：A、從回歸的速度上看，?般來說，Huber回歸最快，其次是RANSAC回歸，最慢的是泰爾森回歸B、泰爾森回歸?RANSAC回歸在樣本數(shù)量上的伸縮性（適應(yīng)性）好C、?般情況下，泰爾森回歸可以更好地處理y?向的?值異常點D、Huber回歸可以更好地應(yīng)對X?向的中等??的異常值，但是這個屬性將在?維情況下消失學生答案：A7、下列有關(guān)輪廓系數(shù)的說法錯誤的是（）A、所有樣本的輪廓系數(shù)均值為聚類結(jié)果的輪廓系數(shù)，是該聚類是否合理、有效的度量B、某個樣本的輪廓系數(shù)近似為0，說明該樣本在兩個簇的邊界上C、某個樣本的輪廓系數(shù)的絕對值接近1，說明該樣本聚類結(jié)果合理D、某個樣本的輪廓系數(shù)接近1，說明該樣本聚類結(jié)果合理學生答案：C8、下列模型中屬于回歸模型的是？A、ID3、B、DBSCANC、線性回歸D、邏輯回歸學生答案：C9、下列有關(guān)ROC曲線與AUC的描述錯誤的是A、ROC曲線越靠近(0,1)證明模型整體預(yù)測能?越差B、AUC的取值為[0.5,1]C、AUC的?何意義為ROC曲線與橫軸FPR之間的?積D、ROC曲線可以?來考察模型的預(yù)測能?學生答案：A10、下列有關(guān)包裹式和嵌?式特征選擇的說法錯誤的是（）A、嵌?式特征選擇的思想是根據(jù)模型分析特征的重要性，常?正則化?式來做特征選擇B、包裹式特征選擇的思想是把特征選擇看做?個特征?集搜索問題，篩選各個特征?集，?模型評估各個?集的效果C、Scikit-learn中實現(xiàn)嵌?式特征選擇的類SelectFromModel必須與有feature_importances_或者coef_屬性的模型?起使?，如隨機森林和邏輯回歸D、Scikit-learn中實現(xiàn)嵌?式特征選擇的類有SelectFromModel、RFE和RFECV學生答案：D11、下列有關(guān)特征抽取和特征選擇的說法有誤的?項是（）A、特征抽取和特征選擇是達到降維?的的兩種途徑B、PCA和LDA是特征選擇的兩種主要?法C、特征抽取的?標是根據(jù)原始的d個特征的組合形成k個新的特征，即將數(shù)據(jù)從d維空間映射到k維空間D、特征選擇的?標是從原始的d個特征中選擇k個特征學生答案：B12、以下程序語句有誤的是（）A、clf=LogisticRegression(penalty=’l1′,random_state=10,solver=’liblinear’)B、clf=LogisticRegression(penalty=’l2′,random_state=10,solver=’liblinear’)C、clf=LogisticRegression(penalty=’l1′,random_state=10,solver=’lbfgs’)D、clf=LogisticRegression(penalty=’l2′,solver=’newton-cg’)學生答案：C13、關(guān)于線性回歸模型的正則化，下列選項敘述不正確的是：A、正則化的常??法為嶺回歸和LASSO，主要區(qū)別在于嶺回歸的?標函數(shù)中添加了L2懲罰函數(shù)，?LASSO的?標函數(shù)中添加的是L1懲罰函數(shù)B、正則化可以減?線性回歸的過度擬合和多重共線性等問題C、對?嶺回歸和LASSO，嶺回歸更容易得到稀疏解D、在求解LASSO時，常?的求解算法包括坐標下降法、LARS算法和ISTA算法等學生答案：C14、下列關(guān)于特征選擇?的和原則的說法錯誤的是（）A、特征選擇能有效降低特征維度，簡化模型B、與?標特征相關(guān)性?的特征應(yīng)該優(yōu)先被選擇C、?差較?的特征應(yīng)該被剔除D、特征選擇可以有效提升模型性能學生答案：C15、下列有關(guān)過濾式特征選擇的說法錯誤的是（）A、過濾式特征選擇的?法是評估單個特征和結(jié)果值之間的相關(guān)程度，留下相關(guān)程度靠前的特征B、過濾式特征選擇的評價指標主要有Pearson相關(guān)系數(shù)，互信息，距離相關(guān)度等；其中卡?檢驗(chi2)，F(xiàn)檢驗回歸(f_regression),互信息回歸(mutual_info_regression)?于回歸問題，F(xiàn)檢驗分類(f_classif),互信息分類(mutual_info_classif)?于分類問題C、Scikit-learn中實現(xiàn)過濾式特征選擇的SelectKBest類可以指定過濾個數(shù)，SelectPercentile類可以指定過濾百分?D、過濾式特征選擇的缺點是只評估了單個特征對結(jié)果的影響，沒有考慮到特征之間的相關(guān)作?，可能剔除有?的相關(guān)特征學生答案：B16、以下四個算法中，哪個不屬于Scikit-learn聚類的主要算法（）A、cluster.SpectralClusteringB、neighbors.KNeighborsRegressorC、cluster.KMeansD、cluster.AgglomerativeClustering學生答案：B17、下列有關(guān)DBSCAN聚類算法的理解有誤的?項是（）A、對數(shù)據(jù)集中的異常點敏感B、不需要預(yù)先設(shè)置聚類數(shù)量kC、調(diào)參相對于傳統(tǒng)的K-Means之類的聚類算法稍復(fù)雜，需要對距離閾值?，鄰域樣本數(shù)閾值MinPts聯(lián)合調(diào)參，不同的參數(shù)組合對最后的聚類效果有較?影響D、可以對任意形狀的?密度數(shù)據(jù)集進?聚類，相對的，K-Means之類的聚類算法?般只適?于凸數(shù)據(jù)集學生答案：A18、下圖給出了三個節(jié)點的相關(guān)信息，請給出特征A1、A2及A3的特征重要性遞減排序（）A、A3>A1>A2B、所給信息不?。C、A2>A3>A1D、A1>A2>A3學生答案：A二、2024年春江蘇開放大學機器學習形考作業(yè)二多選題答案1、下列關(guān)于缺失值處理的說法錯誤的是（）A、可以將缺失值作為預(yù)測?標建?模型進?預(yù)測，以此來插補缺失值B、連續(xù)型特征可以使?眾數(shù)來插補缺失值C、根據(jù)經(jīng)驗，可以?動對缺失值進?插補D、離散型特征可以使?平均值來插補缺失值學生答案：B；D2、將連續(xù)型特征離散化后再建?邏輯回歸模型，這樣做對模型有什么影響（）A、計算結(jié)果?便存儲，容易擴展。B、起到簡化邏輯回歸模型的作?C、易于模型的快速迭代D、離散化后的特征對異常數(shù)據(jù)敏感學生答案：A；B；C3、下列哪些?法可以解決數(shù)據(jù)集的線性不可分問題（）A、?斯核SVMB、多項式核SVMC、軟間隔SVMD、硬間隔SVM學生答案：A；B；C4、以下關(guān)于集成模型中提升法（boosting）與裝袋法（bagging）的?較，說法正確的是（）A、Boosting主要?于?于抑制過擬合；?Bagging主要?于優(yōu)化弱分類器。B、Boosting的學習器可并?訓練，?順序；Bagging的學習器需要串?進?，有順序。C、Boosting?般采?整個訓練集訓練學習器；Bagging則采?部分訓練集，沒?到的數(shù)據(jù)可?于測試。D、Adaboost是?種Boosting?法；RandomForest是?種Bagging?法。學生答案：C；D5、下列關(guān)于軟投票說法正確的是？（多選）A、軟投票過程中每個基分類器都預(yù)測?個類別B、可以對每個基分類器設(shè)置權(quán)重，?于對預(yù)測概率求進?加權(quán)平均C、投票表決器可以組合不同的基分類器D、使用概率平均的?式來預(yù)測樣本類別學生答案：B；C；D6、下列有關(guān)scikit-learn中TfidfVectorizer類和CountVectorizer類的說法錯誤的是（）A、屬性stop_words：返回停?詞表B、參數(shù)stop_words：設(shè)置停?詞，默認為None（沒有），可設(shè)置為english或list（??給定）C、參數(shù)min_df：設(shè)定閾值，忽略頻率?于此閾值的詞匯，默認為1、D、屬性vocabulary_：返回詞匯表（字典型）學生答案：A；C7、模型輸?的特征通常需要是數(shù)值型的，所以需要將?數(shù)值型特征通過特征編碼轉(zhuǎn)換為數(shù)值特征。下列選項對DataFrame對象df1中的Make字段進?特征編碼，其中正確的是？A、fromsklearn.preprocessingimportLabelEncoderle=LabelEncoder()df1[‘Make’]=le.fit_transform(df1[“Make”])B、df1[‘Make’]=df1[‘Make’].str.replace({‘Toyota’:1,‘Ford’:2,‘Volvo’:3,‘Audi’:4,‘BMW‘:5,‘Nissan’:6})C、df1[‘Make’]=df1[‘Make’].map({‘Toyota’:1,‘Ford’:2,‘Volvo’:3,‘Audi’:4,‘BMW’:5,‘Nissan’:6})D、df1[‘Make’]=df1[‘Make’].replace({‘Toyota’:1,‘Ford’:2,‘Volvo’:3,‘Audi’:4,‘BMW’:5,‘Nissan’:6})學生答案：A；C；D8、關(guān)于sklearn中的KNeighborsClassifier算法類，下列說法正確的是（）A、距離度量附屬參數(shù)p可設(shè)置為p=2“euclidean”(歐式距離)、p=1為“manhattan”(曼哈頓距離)，默認為2、B、K近鄰算法通過對以樣本a為圓?，半徑為k的圓內(nèi)的訓練樣本進?多數(shù)投票來確定樣本a的類別。C、當樣本分布較亂，預(yù)測效果不好時，可將weights設(shè)置為“distance”，將距離?標更近的近鄰點賦予更?的權(quán)重，來改善預(yù)測效果D、參數(shù)’n_neighbors’的取值應(yīng)該越?越好學生答案：A；C9、現(xiàn)有?個垃圾郵件分類問題，?N個關(guān)鍵詞匯X1,X2,…,XN作為特征，將所有的郵件分類為垃圾郵件C1與正常郵件C2。m1為出現(xiàn)了關(guān)鍵詞匯X1的垃圾郵件數(shù)量，m為垃圾郵件總數(shù)，M為所有郵件總數(shù)，則下列加?Laplace平滑（平滑系數(shù)為1）的概率公式表示正確的是（）學生答案：B；D10、分類正確率、混淆矩陣是評價分類模型效果的重要依據(jù)，下列編程語句有錯誤的是（）(其中x,y是訓練集和訓練集標簽，分別為DataFrame對象和Series對象）A、語句（4）B、語句（3）C、語句（2）D、語句（1）學生答案：A；B11、下列關(guān)于?本特征抽取中TF-IDF?法理解正確的是（）A、TF即詞頻：某詞匯在該?本中出現(xiàn)的頻率B、TF-IDF=TF*IDFC、TF-IDF?法有效過濾掉不常?的詞語D、IDF即逆?本頻率：詞頻的權(quán)重調(diào)整系數(shù)學生答案：A；B；D題型：多選題客觀題分值4分難度：一般得分：012、Scikit-learn中，對函數(shù)metrics.accuracy_score使??法描述正確的是A、fromsklearn.metricsimportaccuracy_scoreprint(accuracy_score(y_test,y_pred,norm