機(jī)器學(xué)習(xí)知到智慧樹期末考試答案題庫(kù)2025年同濟(jì)大學(xué)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。（）

答案:錯(cuò)集成學(xué)習(xí)中個(gè)體學(xué)習(xí)器多樣性增強(qiáng)的主要途徑有：（）

答案:數(shù)據(jù)樣本擾動(dòng)；輸入屬性擾動(dòng)；輸出表示擾動(dòng)；算法參數(shù)擾動(dòng)邏輯回歸將輸出概率限定在[0,1]之間。下列哪個(gè)函數(shù)起到這樣的作用？（）

答案:Sigmoid函數(shù)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。（）

答案:對(duì)邏輯回歸LR是參數(shù)模型，支持向量機(jī)SVM也是參數(shù)模型。（）

答案:錯(cuò)選項(xiàng)中說法錯(cuò)誤的是？（）

答案:沿負(fù)梯度的方向一定是最優(yōu)的方向選項(xiàng)中哪種方法可以用來減小過擬合？（）

答案:更多的訓(xùn)練數(shù)據(jù)；L1正則化；L2正則化；減小模型的復(fù)雜度選項(xiàng)中哪些方法不可以直接來對(duì)文本分類？（）

答案:K-Means選項(xiàng)中哪些假設(shè)是我們推導(dǎo)線性回歸參數(shù)時(shí)遵循的？（）

答案:X與Y有線性關(guān)系（多項(xiàng)式關(guān)系）；模型誤差在統(tǒng)計(jì)學(xué)上是獨(dú)立的；誤差一般服從0均值和固定標(biāo)準(zhǔn)差的正態(tài)分布；X是非隨機(jī)且測(cè)量沒有誤差的選項(xiàng)中關(guān)于線性回歸分析中的殘差（Residuals）說法正確的是？（）

答案:殘差均值總是為零選項(xiàng)中關(guān)于極大似然估計(jì)（MaximumLikelihoodEstimate，MLE），說法正確的是（）

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選項(xiàng)中關(guān)于RandomForest和GradientBoostingTrees說法正確的是？（）

答案:兩者都使用隨機(jī)特征子集來創(chuàng)建中間樹輸出變量為有限個(gè)離散變量的預(yù)測(cè)問題是回歸問題；輸出變量為連續(xù)變量的預(yù)測(cè)問題是分類問題。（）

答案:錯(cuò)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？（）

答案:增加模型的特征數(shù)量訓(xùn)練樣本稍加變化就可能導(dǎo)致學(xué)習(xí)器有顯著變動(dòng)，這樣的基學(xué)習(xí)器稱為“不穩(wěn)定基學(xué)習(xí)器”。下列學(xué)習(xí)器屬于不穩(wěn)定基學(xué)習(xí)器的是：（）

答案:決策樹；神經(jīng)網(wǎng)絡(luò)給定n個(gè)數(shù)據(jù)點(diǎn)，如果其中一半用于訓(xùn)練，另一半用于測(cè)試，則訓(xùn)練誤差和測(cè)試誤差之間的差別會(huì)隨著n的增加而減小。（）

答案:對(duì)線性回歸能完成的任務(wù)是（）

答案:預(yù)測(cè)連續(xù)值監(jiān)督式學(xué)習(xí)中存在過擬合，而對(duì)于非監(jiān)督式學(xué)習(xí)來說，沒有過擬合。（）

答案:錯(cuò)點(diǎn)擊率預(yù)測(cè)是一個(gè)正負(fù)樣本不平衡問題（例如99%的沒有點(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%，則下列說法正確的是？（）

答案:模型正確率并不高，應(yīng)該建立更好的模型深度神經(jīng)網(wǎng)絡(luò)中常用Relu函數(shù)作為激活函數(shù)，其好處是：（）

答案:收斂快；求梯度簡(jiǎn)單；具有稀疏特性模型的bias很高,我們?nèi)绾谓档退?（）

答案:在特征空間中增加特征梯度爆炸問題是指在訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的時(shí)候，梯度變得過大而損失函數(shù)變?yōu)闊o窮。在RNN中，下面哪種方法可以較好地處理梯度爆炸問題？（）

答案:梯度裁剪機(jī)器學(xué)習(xí)訓(xùn)練時(shí)，Mini-Batch的大小優(yōu)選為2個(gè)的冪，如256或512。它背后的原因是什么？（）

答案:Mini-Batch設(shè)為2的冪，是為了符合CPU、GPU的內(nèi)存要求，利于并行化處理機(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。（）

答案:對(duì)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，與聚類這樣的無監(jiān)督學(xué)習(xí)任務(wù)無關(guān)。（）

答案:錯(cuò)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。（）

答案:對(duì)樸素貝葉斯屬于生成式模型，SVM和決策樹也屬于生成式模型。（）

答案:錯(cuò)樸素貝葉斯分類器沒有屬性條件獨(dú)立的假設(shè)前提。（）

答案:錯(cuò)樸素貝葉斯分類器有屬性條件獨(dú)立的假設(shè)前提。（）

答案:對(duì)樸素貝葉斯分類器是一種特殊的Bayes分類器，特征變量是X，類別標(biāo)簽是C，它的一個(gè)假定是:（）

答案:以0為均值，sqr(2)/2為標(biāo)準(zhǔn)差的正態(tài)分布有一些基學(xué)習(xí)器對(duì)數(shù)據(jù)樣本的擾動(dòng)不敏感，稱為穩(wěn)定基學(xué)習(xí)器。下列學(xué)習(xí)器屬于穩(wěn)定基學(xué)習(xí)器的是：（）

答案:線性學(xué)習(xí)器；樸素貝葉斯；支持向量機(jī)；k近鄰學(xué)習(xí)器有N個(gè)樣本，一半用于訓(xùn)練，一半用于測(cè)試。若增大N值，則訓(xùn)練誤差和測(cè)試誤差之間的差距會(huì)如何變化？（）

答案:減小智能化中醫(yī)望診時(shí)，對(duì)一幅舌脈圖像（伸出舌頭的人臉圖像），希望把舌頭部分從人臉的其他部分劃分出來，可以采用以下方法：將整幅圖的每個(gè)象素的屬性記錄在一張數(shù)據(jù)表中，然后用某種方法將這些數(shù)據(jù)按它們的自然分布狀況劃分成兩類。因此每個(gè)象素就分別得到相應(yīng)的類別號(hào)，從而實(shí)現(xiàn)了舌頭圖像的分割。那么這種方法屬于：（）

答案:非監(jiān)督學(xué)習(xí)智能化中醫(yī)望診時(shí)，對(duì)一幅舌脈圖像（伸出舌頭的人臉圖像），希望把舌頭部分從人臉的其他部分劃分出來，可以采用以下方法：在該圖像中分別在舌頭區(qū)域與其他區(qū)域各畫出一個(gè)窗口，把在這兩個(gè)窗口中的象素?cái)?shù)據(jù)作為訓(xùn)練集，用Fisher準(zhǔn)則方法求得分類器參數(shù)，再用該分類器對(duì)整幅圖進(jìn)行分類。那么這種方法屬于：（）

答案:監(jiān)督學(xué)習(xí)數(shù)據(jù)集D的純度可用它的基尼值來度量，基尼值越小，則數(shù)據(jù)集D的純度越高。（）

答案:對(duì)數(shù)據(jù)集D的純度可用它的基尼值來度量，基尼值越大，則數(shù)據(jù)集D的純度越高。（）

答案:錯(cuò)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，以獲得比所有個(gè)體模型都更好的更健壯的輸出。則下列說法正確的是？（）

答案:基本模型之間相關(guān)性低數(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，以獲得比所有個(gè)體模型都更好的更健壯的輸出。下列選項(xiàng)中說法正確的是？（）

答案:基本模型之間相關(guān)性低支持向量機(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。（）

答案:對(duì)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)最大化模型。（）

答案:錯(cuò)我們想要訓(xùn)練一個(gè)ML模型，樣本數(shù)量有100萬個(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？（）

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；嘗試使用在線機(jī)器學(xué)習(xí)算法；使用PCA算法減少特征維度我們想在大數(shù)據(jù)集上訓(xùn)練決策樹,為了使用較少時(shí)間,我們可以（）

答案:減少樹的深度我們希望減少數(shù)據(jù)集中的特征數(shù)量。你可以采取以下哪一個(gè)步驟來減少特征？（）

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（Stepwise）；計(jì)算不同特征之間的相關(guān)系數(shù)，刪去相關(guān)系數(shù)高的特征之一影響聚類算法結(jié)果的主要因素有（）。

答案:分類準(zhǔn)則；；特征選??；；模式相似性測(cè)度。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。（）

答案:對(duì)建立線性模型時(shí)，我們看變量之間的相關(guān)性。在尋找相關(guān)矩陣中的相關(guān)系數(shù)時(shí)，如果發(fā)現(xiàn)3對(duì)變量（Var1和Var2、Var2和Var3、Var3和Var1）之間的相關(guān)性分別為-0.98、0.45和1.23。我們能從中推斷出什么呢？（）

答案:Var1和Var2具有很高的相關(guān)性；Var1和Var2存在多重共線性，模型可以去掉其中一個(gè)特征；Var3和Var1相關(guān)系數(shù)為1.23是不可能的已知坐標(biāo)系中兩點(diǎn)A(2,?2)和B(?1,2)，這兩點(diǎn)的曼哈頓距離（L1距離）是（）

答案:7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，后來他保持特征不變，對(duì)原來的模型做了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，下列說法正確的是（）

答案:小明這個(gè)有可能是由于過擬合導(dǎo)致的；小明可以考慮一下，使用交叉驗(yàn)證來驗(yàn)證一下是否發(fā)生了過擬合將垃圾郵件檢測(cè)的問題列為下面哪一類學(xué)習(xí)問題最合適？（）

答案:監(jiān)督學(xué)習(xí)對(duì)回歸問題和分類問題的評(píng)價(jià)最常用的指標(biāo)都是準(zhǔn)確率和召回率。（）

答案:錯(cuò)對(duì)于劃分屬性選擇，選項(xiàng)中說法正確的是（）

答案:信息增益準(zhǔn)則對(duì)可取值數(shù)目較多的屬性有所偏好；增益率準(zhǔn)則對(duì)可取值數(shù)目較少的屬性有所偏好；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。對(duì)于劃分屬性選擇，以下說法正確的是（）

答案:信息增益準(zhǔn)則對(duì)可取值數(shù)目較多的屬性有所偏好；增益率準(zhǔn)則對(duì)可取值數(shù)目較少的屬性有所偏好；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。對(duì)于k折交叉驗(yàn)證,以下對(duì)k的說法正確的是（）

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)集之間的方差對(duì)于PCA處理后的特征，其樸素貝葉斯特征相互獨(dú)立的假設(shè)一定成立，因?yàn)樗兄鞒煞侄际钦坏?，所以不相關(guān)。（）

答案:錯(cuò)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，那么樹模型很可能劣于經(jīng)典回歸方法。（）

答案:錯(cuò)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。（）

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

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)各不相同如果用“三個(gè)臭皮匠頂個(gè)諸葛亮”來比喻集成學(xué)習(xí)，那么下列選項(xiàng)中哪些可能符合對(duì)三個(gè)臭皮匠的要求？（）

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)各不相同如果我們說“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)說法是正確的？（）

答案:選項(xiàng)中的答案都不對(duì)如果使用線性回歸模型，下列說法正確的是？（）

答案:檢查異常值是很重要的，因?yàn)榫€性回歸對(duì)離群效應(yīng)很敏感如果兩個(gè)變量相關(guān)，那么它們一定是線性關(guān)系嗎？（）

答案:不一定如果一個(gè)經(jīng)過訓(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。（）

答案:錯(cuò)如果SVM模型欠擬合,以下方法哪些可以改進(jìn)模型（）

答案:增大懲罰參數(shù)C的值如何在監(jiān)督式學(xué)習(xí)中使用聚類算法？（）

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)額外的特征增加卷積核的尺寸，一定能提高卷積神經(jīng)網(wǎng)絡(luò)的性能。（）

答案:錯(cuò)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。（）

答案:對(duì)在模型中增加更多特征一般會(huì)增加訓(xùn)練樣本的準(zhǔn)確率，減小bias，但是測(cè)試樣本準(zhǔn)確率不一定增加。（）

答案:對(duì)在數(shù)據(jù)預(yù)處理階段，我們常常對(duì)數(shù)值特征進(jìn)行歸一化或標(biāo)準(zhǔn)化(standardization,normalization)處理。這種處理方式理論上不會(huì)對(duì)下列哪個(gè)模型產(chǎn)生很大影響？（）

答案:決策樹在屬性個(gè)數(shù)比較多或者屬性之間相關(guān)性較大時(shí)，樸素貝葉斯分類器的分類效率比不上決策樹模型。（）

答案:對(duì)在實(shí)際應(yīng)用中，由于各屬性之間完全獨(dú)立的很少，因此采用樸素貝葉斯分類器比半樸素貝葉斯分類器更合適。（）

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

答案:多項(xiàng)式階數(shù)在分類問題中,我們經(jīng)常會(huì)遇到正負(fù)樣本數(shù)據(jù)量不等的情況，比如正樣本為10萬條數(shù)據(jù)，負(fù)樣本只有1萬條數(shù)據(jù)，以下合適的處理方法是（）

答案:將負(fù)樣本每個(gè)權(quán)重設(shè)置為10，正樣本權(quán)重為1，參與訓(xùn)練過程；將負(fù)樣本重復(fù)10次,生成10萬樣本量,打亂順序參與分類；從10萬正樣本中隨機(jī)抽取1萬參與分類在決策樹的劃分屬性選擇中，信息增益準(zhǔn)則對(duì)可取值數(shù)目較少的屬性有所偏好，而增益率準(zhǔn)則對(duì)可取值數(shù)目較多的屬性有所偏好。（）

答案:錯(cuò)在決策樹學(xué)習(xí)過程中，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來進(jìn)行劃分所獲得的"純度提升"越小。（）

答案:錯(cuò)在決策樹學(xué)習(xí)過程中，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來進(jìn)行劃分所獲得的"純度提升"越大。（）

答案:對(duì)在決策樹學(xué)習(xí)過程中，如果當(dāng)前結(jié)點(diǎn)劃分屬性為連續(xù)屬性，那么該屬性還可作為其后代結(jié)點(diǎn)的劃分屬性。（）

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

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在n維空間中（n＞1），下列哪種方法最適合用來檢測(cè)異常值？（）

答案:馬氏距離回歸問題和分類問題都有可能發(fā)生過擬合。（）

答案:對(duì)回歸和分類都是有監(jiān)督學(xué)習(xí)問題。（）

答案:對(duì)向量x=[1,2,3,4,-9,0]的L1范數(shù)是（）

答案:19后剪枝決策樹通常比預(yù)剪枝決策樹保留了更多的分支。一般情形下，后剪枝決策樹的欠擬合風(fēng)險(xiǎn)很小，泛化性能往往優(yōu)于預(yù)剪枝決策樹。（）

答案:對(duì)變量選擇是用來選擇最好的判別器子集，如果要考慮模型效率，我們應(yīng)該做哪些變量選擇的考慮？（）

答案:特征是否攜帶有效信息；交叉驗(yàn)證；多個(gè)變量是否有相同的功能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。選項(xiàng)中說法正確的是？（）

答案:訓(xùn)練樣本準(zhǔn)確率一定增加或保持不變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。則下列說法正確的是？（）

答案:訓(xùn)練樣本準(zhǔn)確率一定增加或保持不變剪枝(pruning)是決策樹學(xué)習(xí)算法對(duì)付"欠擬合"的主要手段，其基本策略有"預(yù)剪枝"(pre-pruning)和"后剪枝"（post-pruning）。（）

答案:錯(cuò)決策樹的分界面是線性的。（）

答案:錯(cuò)關(guān)于貝葉斯網(wǎng)絡(luò)，選項(xiàng)中說法正確的是：（）

答案:貝葉斯網(wǎng)絡(luò)是有向無環(huán)圖模型；貝葉斯網(wǎng)絡(luò)又稱信念網(wǎng)絡(luò)；貝葉斯網(wǎng)絡(luò)是一種概率圖模型關(guān)于貝葉斯網(wǎng)絡(luò)，以下說法正確的是：（）

答案:貝葉斯網(wǎng)絡(luò)是有向無環(huán)圖模型；貝葉斯網(wǎng)絡(luò)又稱信念網(wǎng)絡(luò)；貝葉斯網(wǎng)絡(luò)是一種概率圖模型關(guān)于神經(jīng)網(wǎng)絡(luò)，下列說法正確的是？（）

答案:增加網(wǎng)絡(luò)層數(shù)，可能會(huì)增加測(cè)試集分類錯(cuò)誤率；減少網(wǎng)絡(luò)層數(shù)，可能會(huì)減少測(cè)試集分類錯(cuò)誤率關(guān)于特征選擇，下列對(duì)Ridge回歸和Lasso回歸說法正確的是？（）

答案:Lasso回歸適用于特征選擇關(guān)于欠擬合（under-fitting），下面哪個(gè)說法是正確的？（）

答案:訓(xùn)練誤差較大，測(cè)試誤差較大關(guān)于SVM如何選用核函數(shù)，下列說法正確的是：（）

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窮多維關(guān)于SVM與感知機(jī)，選項(xiàng)中說法正確的是：（）

答案: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，易造成過擬合，而SVM采用間隔最大化(合頁損失函數(shù))，一定程度上可避免過擬合；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；感知機(jī)只用于線性分類，SVM可用于線性和非線性分類關(guān)于SVM與感知機(jī)，以下說法正確的是：（）

答案: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，易造成過擬合，而SVM采用間隔最大化(合頁損失函數(shù))，一定程度上可避免過擬合；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；感知機(jī)只用于線性分類，SVM可用于線性和非線性分類關(guān)于L1正則和L2正則下面的說法正確的是（）

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

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)稱的關(guān)于L1、L2正則化下列說法正確的是？（）

答案:L1正則化得到的解更加稀疏假設(shè)某地區(qū)流行病識(shí)別中，正常（w1）和異常（w2）兩類的先驗(yàn)概率分別為：正常狀態(tài)：P（w1）=0.9異常狀態(tài)：P（w1）=0.1現(xiàn)有一待識(shí)別個(gè)例，其觀察值為x，從類條件概率密度分布曲線上可查得：p（x|w1）=0.2，p（x|w2）=0.4那么該個(gè)例的狀態(tài)是（）

答案:正常狀態(tài)假設(shè)我們使用原始的非線性可分版本的Soft-SVM優(yōu)化目標(biāo)函數(shù)。我們需要做什么來保證得到的模型是線性可分離的？（）

答案:C正無窮大假定你在神經(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)？（）

答案:tanh假如使用一個(gè)較復(fù)雜的回歸模型來擬合樣本數(shù)據(jù)，使用Ridge回歸，調(diào)試正則化參數(shù)λ，來降低模型復(fù)雜度。若λ較小時(shí)，關(guān)于偏差（bias）和方差（variance），下列說法正確的是？（）

答案:若λ較小時(shí)，偏差減小，方差增大以下方法或系統(tǒng)屬于"符號(hào)主義"(symbolism)學(xué)習(xí)技術(shù)的是（）

答案:"結(jié)構(gòu)學(xué)習(xí)系統(tǒng)"；"基于邏輯的歸納學(xué)習(xí)系統(tǒng)“；"概念學(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（）

答案:支持向量機(jī)；核方法以下方法屬于集成學(xué)習(xí)方法的是（）

答案:bagging；stacking；boosting以下描述中，對(duì)梯度解釋正確的是（）

答案:梯度是一個(gè)向量，有方向有大?。磺筇荻染褪菍?duì)梯度向量的各個(gè)元素求偏導(dǎo)以下哪種方法屬于判別式模型（discriminativemodel）？（）

答案:線性判別分析LDA；支持向量機(jī)以下哪些方法不可以直接來對(duì)文本分類？（）

答案:K-Means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)”說的是相同的道理。（）

答案:對(duì)從分類的角度講，用主成分分析PCA做特征提取主要利用了PCA的什么性質(zhì)：（）。

答案:變換產(chǎn)生的新分量正交或不相關(guān)；；使變換后的矢量能量更趨集中；為了觀察測(cè)試Y與X之間的線性關(guān)系，X是連續(xù)變量，使用下列哪種圖形比較適合？（）

答案:散點(diǎn)圖下面哪個(gè)情形不適合作為K-Means迭代終止的條件？（）

答案:前后兩次迭代中，每個(gè)聚類中樣本的個(gè)數(shù)不變下面關(guān)于RandomForest和GradientBoostingTrees說法正確的是？（）

答案:兩者都使用隨機(jī)特征子集來創(chuàng)建中間樹下列聚類方法屬于原型聚類的是（）

答案:K-Means算法；學(xué)習(xí)向量量化LVQ；高斯混合聚類下列方法中，可以用于特征降維的方法包括？（）

答案:主成分分析PCA；線性判別分析LDA；AutoEncoder；矩陣奇異值分解SVD下列哪種方法可以用來減小過擬合？（）

答案:更多的訓(xùn)練數(shù)據(jù)；L1正則化；L2正則化；減小模型的復(fù)雜度下列哪些算法可以用來夠造神經(jīng)網(wǎng)絡(luò)？（）

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

答案:X與Y有線性關(guān)系（多項(xiàng)式關(guān)系）；模型誤差在統(tǒng)計(jì)學(xué)上是獨(dú)立的；誤差一般服從0均值和固定標(biāo)準(zhǔn)差的正態(tài)分布；X是非隨機(jī)且測(cè)量沒有誤差的下列哪一種方法的系數(shù)沒有閉式（closed-form）解？（）

答案:Lasso下列關(guān)于線性回歸分析中的殘差（Residuals）說法正確的是？（）

答案:殘差均值總是為零下列關(guān)于極大似然估計(jì)（MaximumLikelihoodEstimate，MLE），說法正確的是（）

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下列關(guān)于PCA說法正確的是？（）

答案:在使用PCA之前，我們必須標(biāo)準(zhǔn)化數(shù)據(jù)；應(yīng)該選擇具有最大方差的主成分；可以使用PCA在低維空間中可視化數(shù)據(jù)下列關(guān)于bootstrap說法正確的是？（）

答案:從總的N個(gè)樣本中，有放回地抽取n個(gè)樣本（n＜N）一般來