2025年超星爾雅學(xué)習(xí)通《機(jī)器學(xué)習(xí)算法與模型優(yōu)化》考試備考題庫及答案解析就讀院校：________姓名：________考場號：________考生號：________一、選擇題1.機(jī)器學(xué)習(xí)算法中，監(jiān)督學(xué)習(xí)主要解決的問題是（）A.數(shù)據(jù)聚類B.數(shù)據(jù)分類C.數(shù)據(jù)回歸D.數(shù)據(jù)降維答案：B解析：監(jiān)督學(xué)習(xí)是通過已標(biāo)注的數(shù)據(jù)集訓(xùn)練模型，使其能夠?qū)π碌臄?shù)據(jù)進(jìn)行分類或回歸預(yù)測。數(shù)據(jù)分類是監(jiān)督學(xué)習(xí)最典型的應(yīng)用，如垃圾郵件識別、圖像識別等。數(shù)據(jù)聚類屬于無監(jiān)督學(xué)習(xí)，數(shù)據(jù)回歸和降維則分別屬于不同的學(xué)習(xí)任務(wù)范疇。2.下列哪種算法不屬于決策樹算法的范疇？（）A.ID3B.C4.5C.KNND.CART答案：C解析：ID3、C4.5和CART都是經(jīng)典的決策樹算法，分別基于信息增益、信息增益率和Gini不純度進(jìn)行節(jié)點(diǎn)分裂。KNN（k近鄰算法）屬于惰性學(xué)習(xí)算法，通過計(jì)算樣本間的距離進(jìn)行分類或回歸，不屬于決策樹算法。3.在支持向量機(jī)中，核函數(shù)的主要作用是（）A.增加模型復(fù)雜度B.降低特征維度C.將數(shù)據(jù)映射到高維空間D.減少計(jì)算量答案：C解析：支持向量機(jī)通過核函數(shù)將線性不可分的數(shù)據(jù)映射到高維特征空間，使其能夠使用線性邊界進(jìn)行分類。常見的核函數(shù)包括線性核、多項(xiàng)式核和徑向基函數(shù)（RBF）核等。核函數(shù)的主要優(yōu)勢在于能夠處理非線性問題，而無需顯式地進(jìn)行高維空間映射。4.下列哪種方法不屬于模型選擇的方法？（）A.交叉驗(yàn)證B.網(wǎng)格搜索C.隨機(jī)搜索D.超參數(shù)優(yōu)化答案：D解析：交叉驗(yàn)證、網(wǎng)格搜索和隨機(jī)搜索都是常用的模型選擇方法，用于評估不同模型的性能并選擇最優(yōu)模型。超參數(shù)優(yōu)化雖然與模型選擇密切相關(guān)，但其主要目的是調(diào)整模型的超參數(shù)以獲得最佳性能，而非選擇不同的模型結(jié)構(gòu)。因此，超參數(shù)優(yōu)化不屬于模型選擇的方法。5.在嶺回歸中，引入正則化項(xiàng)的主要目的是（）A.增加模型復(fù)雜度B.防止過擬合C.提高模型精度D.減少計(jì)算量答案：B解析：嶺回歸通過在損失函數(shù)中引入L2正則化項(xiàng)（平方和懲罰），對模型的系數(shù)進(jìn)行約束，從而防止過擬合。正則化項(xiàng)的大小由正則化參數(shù)λ控制，較大的λ值會使得模型系數(shù)更接近零，從而降低模型的復(fù)雜度。嶺回歸特別適用于multicollinearity（多重共線性）較高的數(shù)據(jù)集。6.下列哪種評估指標(biāo)適用于不平衡數(shù)據(jù)集的分類問題？（）A.準(zhǔn)確率B.精確率C.召回率D.F1分?jǐn)?shù)答案：D解析：在不平衡數(shù)據(jù)集中，準(zhǔn)確率可能無法反映模型的性能，因?yàn)樯贁?shù)類樣本的數(shù)量很少。精確率、召回率和F1分?jǐn)?shù)都是更可靠的評估指標(biāo)。精確率衡量模型正確識別正例的比例，召回率衡量模型找到所有正例的能力，F(xiàn)1分?jǐn)?shù)是精確率和召回率的調(diào)和平均數(shù)，能夠綜合評估模型在不平衡數(shù)據(jù)集上的性能。F1分?jǐn)?shù)特別適用于需要平衡精確率和召回率的情況。7.在神經(jīng)網(wǎng)絡(luò)中，反向傳播算法的主要作用是（）A.初始化權(quán)重B.計(jì)算梯度C.更新權(quán)重D.選擇激活函數(shù)答案：B解析：反向傳播算法是神經(jīng)網(wǎng)絡(luò)訓(xùn)練的核心算法，其主要作用是根據(jù)損失函數(shù)計(jì)算梯度，指導(dǎo)權(quán)重的更新。具體來說，反向傳播算法從輸出層開始，逐層計(jì)算損失函數(shù)對每個(gè)權(quán)重的偏導(dǎo)數(shù)，從而得到梯度。這些梯度用于通過梯度下降等優(yōu)化算法更新權(quán)重，使模型的預(yù)測誤差逐漸減小。初始化權(quán)重、更新權(quán)重和選擇激活函數(shù)都是神經(jīng)網(wǎng)絡(luò)訓(xùn)練的步驟，但反向傳播算法的核心功能是計(jì)算梯度。8.下列哪種方法不屬于集成學(xué)習(xí)方法？（）A.隨機(jī)森林B.AdaBoostC.決策樹提升D.KNN答案：D解析：集成學(xué)習(xí)方法通過組合多個(gè)學(xué)習(xí)器的預(yù)測結(jié)果來提高模型的性能和魯棒性。隨機(jī)森林、AdaBoost和決策樹提升都是經(jīng)典的集成學(xué)習(xí)方法，分別基于決策樹、權(quán)值調(diào)整和迭代優(yōu)化等策略。KNN（k近鄰算法）屬于惰性學(xué)習(xí)算法，通過計(jì)算樣本間的距離進(jìn)行分類或回歸，不屬于集成學(xué)習(xí)方法。9.在特征工程中，下列哪種方法不屬于特征轉(zhuǎn)換的方法？（）A.特征縮放B.特征編碼C.特征選擇D.特征交互答案：C解析：特征轉(zhuǎn)換是指將原始特征轉(zhuǎn)換為新的特征表示，以改善模型的性能。特征縮放（如歸一化和標(biāo)準(zhǔn)化）、特征編碼（如獨(dú)熱編碼和標(biāo)簽編碼）和特征交互（如創(chuàng)建新的特征組合）都屬于特征轉(zhuǎn)換的方法。特征選擇是指從原始特征中選擇一部分最有用的特征，屬于特征降維的范疇，而非特征轉(zhuǎn)換。10.在時(shí)間序列分析中，ARIMA模型主要解決的問題是（）A.數(shù)據(jù)分類B.數(shù)據(jù)聚類C.數(shù)據(jù)回歸D.數(shù)據(jù)預(yù)測答案：D解析：ARIMA（自回歸積分滑動平均）模型是時(shí)間序列分析中常用的預(yù)測模型，主要用于對具有時(shí)間依賴性的數(shù)據(jù)進(jìn)行預(yù)測。ARIMA模型通過自回歸項(xiàng)（AR）、差分項(xiàng)（I）和滑動平均項(xiàng)（MA）來捕捉時(shí)間序列的動態(tài)變化。數(shù)據(jù)分類、數(shù)據(jù)聚類和數(shù)據(jù)回歸雖然也是數(shù)據(jù)分析的常見任務(wù)，但ARIMA模型主要用于時(shí)間序列預(yù)測，而非這些任務(wù)。11.樸素貝葉斯分類器的主要假設(shè)是特征之間相互獨(dú)立，這個(gè)假設(shè)在現(xiàn)實(shí)世界中往往不成立，但樸素貝葉斯仍然可能表現(xiàn)良好，主要是因?yàn)椋ǎ〢.它計(jì)算簡單，速度快B.它能夠處理高維數(shù)據(jù)C.特征之間的相關(guān)性對分類結(jié)果影響不大D.它使用了大量的訓(xùn)練數(shù)據(jù)來學(xué)習(xí)特征間的依賴關(guān)系答案：C解析：樸素貝葉斯分類器的核心假設(shè)是特征之間相互獨(dú)立，但在實(shí)際應(yīng)用中，這個(gè)假設(shè)往往不成立。然而，樸素貝葉斯在許多情況下仍然能夠取得不錯(cuò)的效果。主要原因之一是盡管特征之間存在相關(guān)性，但在某些分類任務(wù)中，這種相關(guān)性對最終的分類結(jié)果影響可能并不顯著。此外，樸素貝葉斯模型簡單，訓(xùn)練和預(yù)測速度快，能夠有效地處理高維數(shù)據(jù)，這些優(yōu)勢也有助于其在特征不完全獨(dú)立的情況下表現(xiàn)良好。雖然大量訓(xùn)練數(shù)據(jù)可以幫助模型學(xué)習(xí)到一些特征間的依賴關(guān)系，但這并不是樸素貝葉斯表現(xiàn)良好的主要原因。12.在邏輯回歸模型中，輸出結(jié)果的解釋通常是指（）A.模型的系數(shù)大小B.概率值及其對應(yīng)的決策閾值C.模型的復(fù)雜度D.模型的訓(xùn)練時(shí)間答案：B解析：邏輯回歸模型輸出的是樣本屬于正類的概率。對概率值的解釋通常需要結(jié)合具體的業(yè)務(wù)場景和決策閾值。例如，一個(gè)概率值0.8可能意味著樣本有80%的可能性屬于正類，如果決策閾值設(shè)置為0.5，則該樣本會被分類為正類。因此，概率值及其對應(yīng)的決策閾值是解釋邏輯回歸模型輸出結(jié)果的關(guān)鍵。模型的系數(shù)大小可以反映特征對預(yù)測結(jié)果的影響程度，但不是輸出結(jié)果的直接解釋。模型的復(fù)雜度和訓(xùn)練時(shí)間與模型的選擇和訓(xùn)練過程有關(guān)，與輸出結(jié)果的解釋關(guān)系不大。13.下列哪種模型屬于非參數(shù)模型？（）A.線性回歸B.決策樹C.嶺回歸D.K近鄰答案：D解析：非參數(shù)模型是指在建模過程中不需要對數(shù)據(jù)分布做過多假設(shè)的模型，其模型結(jié)構(gòu)可以在訓(xùn)練過程中根據(jù)數(shù)據(jù)進(jìn)行調(diào)整。參數(shù)模型則需要事先指定模型的參數(shù)，并通過訓(xùn)練數(shù)據(jù)來估計(jì)這些參數(shù)。線性回歸、嶺回歸等回歸模型通常屬于參數(shù)模型，因?yàn)樗鼈兗僭O(shè)數(shù)據(jù)服從線性關(guān)系或通過正則化來估計(jì)線性系數(shù)。決策樹雖然可以處理非線性關(guān)系，但其樹的結(jié)構(gòu)（如深度）通常需要預(yù)先指定或通過剪枝等方法確定，因此也常被視為參數(shù)模型。K近鄰算法屬于非參數(shù)模型，因?yàn)樗陬A(yù)測時(shí)需要考慮所有訓(xùn)練樣本，并根據(jù)鄰居的數(shù)量進(jìn)行投票或平均，模型的結(jié)構(gòu)不依賴于參數(shù)的預(yù)先設(shè)定，而是依賴于樣本數(shù)量和距離度量。14.在交叉驗(yàn)證中，k折交叉驗(yàn)證的目的是（）A.減少模型的訓(xùn)練時(shí)間B.避免過擬合C.獲得更穩(wěn)健的模型評估結(jié)果D.增加模型的復(fù)雜度答案：C解析：k折交叉驗(yàn)證是一種常用的模型評估方法，其主要目的是通過將數(shù)據(jù)集分成k個(gè)子集，進(jìn)行k次訓(xùn)練和驗(yàn)證，每次使用不同的子集作為驗(yàn)證集，其余作為訓(xùn)練集，從而獲得更穩(wěn)健、更可靠的模型性能評估。這種方法可以充分利用數(shù)據(jù)，減少單一劃分方式帶來的偶然性，從而更準(zhǔn)確地反映模型在未知數(shù)據(jù)上的表現(xiàn)。雖然交叉驗(yàn)證可能間接有助于避免過擬合（因?yàn)樗鼜?qiáng)制模型在多個(gè)不同的數(shù)據(jù)子集上表現(xiàn)良好），但這并不是其主要目的。減少訓(xùn)練時(shí)間、增加模型復(fù)雜度與k折交叉驗(yàn)證的目的無關(guān)。15.在特征選擇方法中，遞歸特征消除（RFE）的主要思想是（）A.基于模型的系數(shù)重要性進(jìn)行特征選擇B.基于特征之間的相關(guān)性進(jìn)行選擇C.基于特征的方差進(jìn)行選擇D.基于特征的分布形狀進(jìn)行選擇答案：A解析：遞歸特征消除（RFE）是一種常用的特征選擇方法，其主要思想是迭代地訓(xùn)練模型，并根據(jù)模型中特征的重要性（如系數(shù)的大?。﹣磉f歸地移除最不重要的特征，直到達(dá)到預(yù)設(shè)的特征數(shù)量。RFE可以與各種基學(xué)習(xí)器（如邏輯回歸、支持向量機(jī)等）結(jié)合使用?；谔卣鞯姆讲钸M(jìn)行選擇通常指使用方差分析（ANOVA）等方法，基于特征之間的相關(guān)性進(jìn)行選擇可能指使用相關(guān)系數(shù)矩陣等方法，基于特征的分布形狀進(jìn)行選擇則不太常見。因此，RFE主要依賴于模型系數(shù)的重要性進(jìn)行特征選擇。16.在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，動量項(xiàng)的主要作用是（）A.縮小學(xué)習(xí)率B.增加模型復(fù)雜度C.加速收斂，提高穩(wěn)定性D.減少梯度計(jì)算量答案：C解析：動量項(xiàng)是梯度下降優(yōu)化算法的一種改進(jìn)，它通過在更新權(quán)重時(shí)加入前一步梯度的加權(quán)平均，來加速收斂并提高優(yōu)化過程的穩(wěn)定性。當(dāng)梯度的方向一致時(shí)，動量項(xiàng)會加速權(quán)重的更新；當(dāng)梯度方向變化時(shí)，動量項(xiàng)會減緩更新，從而防止震蕩。這有助于模型更快地逃離局部最優(yōu)解，并更穩(wěn)定地收斂到全局最優(yōu)解或接近全局最優(yōu)解。減小學(xué)習(xí)率、增加模型復(fù)雜度和減少梯度計(jì)算量都不是動量項(xiàng)的主要作用。17.在集成學(xué)習(xí)方法中的Bagging，其核心思想是（）A.構(gòu)建多個(gè)弱學(xué)習(xí)器，并線性組合其輸出B.從數(shù)據(jù)集中有放回地抽取子集，為每個(gè)子集訓(xùn)練一個(gè)學(xué)習(xí)器C.逐步構(gòu)建一個(gè)強(qiáng)學(xué)習(xí)器，每次迭代修正錯(cuò)誤D.將數(shù)據(jù)集分成多個(gè)部分，分別訓(xùn)練模型后取平均值答案：B解析：Bagging（BootstrapAggregating）是一種集成學(xué)習(xí)方法，其核心思想是從原始數(shù)據(jù)集中有放回地隨機(jī)抽取多個(gè)子集（Bootstrap樣本），然后對每個(gè)子集訓(xùn)練一個(gè)基學(xué)習(xí)器。最后，通過組合所有基學(xué)習(xí)器的預(yù)測結(jié)果（如投票或平均）來得到最終的預(yù)測。這種方法可以降低模型的整體方差，提高模型的泛化能力和魯棒性。構(gòu)建多個(gè)弱學(xué)習(xí)器并線性組合其輸出描述的是Boosting等另一類集成學(xué)習(xí)方法。逐步構(gòu)建一個(gè)強(qiáng)學(xué)習(xí)器并修正錯(cuò)誤描述的是Boosting或AdaBoost。將數(shù)據(jù)集分成多個(gè)部分分別訓(xùn)練后取平均值不是Bagging的典型做法。18.在處理缺失值時(shí)，下列哪種方法不屬于基于模型的方法？（）A.K近鄰填充B.回歸填充C.插值法D.回歸樹填充答案：C解析：處理缺失值的方法可以分為多種類別?；谀Ｐ偷姆椒ɡ闷渌卣骱湍繕?biāo)變量（如果缺失值是目標(biāo)變量）來構(gòu)建模型預(yù)測缺失值。K近鄰填充（使用K個(gè)最相似樣本的均值或中位數(shù)填充）、回歸填充（使用回歸模型預(yù)測缺失值）、回歸樹填充（使用回歸樹模型預(yù)測缺失值）都屬于基于模型的方法。插值法（如線性插值、樣條插值等）是一種基于數(shù)據(jù)分布的方法，它假設(shè)數(shù)據(jù)點(diǎn)之間存在某種連續(xù)或平滑的關(guān)系，并利用相鄰數(shù)據(jù)點(diǎn)的信息來估計(jì)缺失值，而不依賴于構(gòu)建預(yù)測模型。因此，插值法不屬于基于模型的方法。19.在模型評估中，過擬合是指（）A.模型對訓(xùn)練數(shù)據(jù)擬合得太好，但泛化能力差B.模型對訓(xùn)練數(shù)據(jù)擬合得太差，無法捕捉數(shù)據(jù)規(guī)律C.模型參數(shù)過多，計(jì)算復(fù)雜度高D.模型訓(xùn)練時(shí)間過長答案：A解析：過擬合是指機(jī)器學(xué)習(xí)模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)非常好，能夠捕捉到訓(xùn)練數(shù)據(jù)中的噪聲和細(xì)節(jié)，但在面對新的、未見過的數(shù)據(jù)（測試數(shù)據(jù)或?qū)嶋H應(yīng)用數(shù)據(jù)）時(shí)表現(xiàn)很差，泛化能力差。這通常發(fā)生在模型過于復(fù)雜（如特征太多、模型參數(shù)過多）的情況下，模型不僅學(xué)習(xí)了數(shù)據(jù)中的潛在模式，還學(xué)習(xí)了噪聲。過擬合導(dǎo)致模型對新數(shù)據(jù)的預(yù)測不準(zhǔn)確。選項(xiàng)B描述的是欠擬合。選項(xiàng)C和D描述的是模型復(fù)雜度和訓(xùn)練時(shí)間，雖然可能與過擬合有關(guān)，但不是過擬合本身的定義。20.在特征工程中，特征交叉是指（）A.對特征進(jìn)行排序B.對特征進(jìn)行縮放C.創(chuàng)建新的特征，通常是原始特征之間的乘積或交互項(xiàng)D.對特征進(jìn)行編碼答案：C解析：特征交叉（FeatureInteraction）是特征工程中的一種重要技術(shù)，它通過組合原始特征來創(chuàng)建新的、可能更有信息量的特征。創(chuàng)建的新特征通常是原始特征之間的乘積、乘方或其他形式的交互項(xiàng)。例如，如果存在特征A和B，可以創(chuàng)建特征A*B、A^2、B^2等。這些新特征能夠捕捉到特征之間的交互關(guān)系，有助于提高模型的預(yù)測能力。對特征進(jìn)行排序、對特征進(jìn)行縮放和對特征進(jìn)行編碼都是特征工程中的其他操作，但它們不涉及創(chuàng)建新的特征來表示原始特征之間的交互。二、多選題1.下列哪些屬于監(jiān)督學(xué)習(xí)算法？（）A.決策樹B.支持向量機(jī)C.K近鄰D.線性回歸E.K均值聚類答案：ABCD解析：監(jiān)督學(xué)習(xí)算法是通過已標(biāo)注的數(shù)據(jù)集進(jìn)行訓(xùn)練，學(xué)習(xí)輸入到輸出的映射關(guān)系。決策樹（A）、支持向量機(jī)（B）、線性回歸（D）都是典型的監(jiān)督學(xué)習(xí)算法，分別用于分類、回歸和分類問題。K近鄰（C）雖然也用于分類和回歸，但其屬于惰性學(xué)習(xí)算法，在預(yù)測時(shí)不進(jìn)行顯式學(xué)習(xí)，而是直接基于訓(xùn)練數(shù)據(jù)進(jìn)行相似度匹配。K均值聚類（E）是無監(jiān)督學(xué)習(xí)算法，用于數(shù)據(jù)聚類。因此，屬于監(jiān)督學(xué)習(xí)算法的有決策樹、支持向量機(jī)、線性回歸和K近鄰。2.下列哪些是常用的模型評估指標(biāo)？（）A.準(zhǔn)確率B.精確率C.召回率D.F1分?jǐn)?shù)E.AUC值答案：ABCDE解析：模型評估指標(biāo)用于衡量模型在測試數(shù)據(jù)集上的性能。對于分類問題，常用的評估指標(biāo)包括準(zhǔn)確率（A）、精確率（B）、召回率（C）和F1分?jǐn)?shù)（D）。F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均數(shù)，能夠綜合評估模型的性能，特別是在類別不平衡的情況下。AUC值（AreaUndertheROCCurve，ROC曲線下面積）也是常用的評估指標(biāo)，它衡量模型在不同閾值下的區(qū)分能力，AUC值越高，模型的區(qū)分能力越強(qiáng)。因此，準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)和AUC值都是常用的模型評估指標(biāo)。3.下列哪些屬于特征工程的技術(shù)？（）A.特征縮放B.特征編碼C.特征選擇D.特征交互E.特征降維答案：ABCDE解析：特征工程是機(jī)器學(xué)習(xí)流程中至關(guān)重要的一步，旨在通過轉(zhuǎn)換和選擇原始特征來提高模型的性能。特征縮放（A）包括歸一化和標(biāo)準(zhǔn)化等方法，用于將特征值調(diào)整到相似的尺度，避免某些特征因數(shù)值范圍過大而對模型產(chǎn)生過大影響。特征編碼（B）是將類別特征轉(zhuǎn)換為數(shù)值特征的過程，例如獨(dú)熱編碼和標(biāo)簽編碼。特征選擇（C）是從原始特征集中選擇一部分最有用的特征，以減少模型的復(fù)雜度、提高泛化能力和減少訓(xùn)練時(shí)間。特征交互（D）是創(chuàng)建新的特征，通常是原始特征之間的乘積、和或其他組合，以捕捉特征之間的交互關(guān)系。特征降維（E）是減少特征數(shù)量，同時(shí)保留數(shù)據(jù)中的主要信息，常用的方法包括主成分分析（PCA）和線性判別分析（LDA）。因此，特征縮放、特征編碼、特征選擇、特征交互和特征降維都屬于特征工程的技術(shù)。4.下列哪些是常用的優(yōu)化算法？（）A.梯度下降B.隨機(jī)梯度下降C.牛頓法D.隨機(jī)搜索E.動量法答案：ABCE解析：優(yōu)化算法是用于尋找模型參數(shù)，使得模型損失函數(shù)最小化的方法。梯度下降（A）是最基礎(chǔ)的優(yōu)化算法，通過計(jì)算損失函數(shù)關(guān)于參數(shù)的梯度，并沿梯度的負(fù)方向更新參數(shù)。隨機(jī)梯度下降（B）是梯度下降的變種，每次更新時(shí)只使用一個(gè)隨機(jī)樣本計(jì)算梯度，能夠加快收斂速度，特別是在大數(shù)據(jù)集上。牛頓法（C）利用二階導(dǎo)數(shù)（Hessian矩陣）來加速收斂，通常比梯度下降更快，但計(jì)算成本更高。隨機(jī)搜索（D）是一種參數(shù)優(yōu)化方法，通過隨機(jī)探索參數(shù)空間來尋找最優(yōu)參數(shù)，但不屬于基于梯度的優(yōu)化算法。動量法（E）是梯度下降的改進(jìn)，通過在更新參數(shù)時(shí)加入前一步梯度的加權(quán)平均，來加速收斂并提高穩(wěn)定性。因此，梯度下降、隨機(jī)梯度下降、牛頓法和動量法都是常用的優(yōu)化算法。5.下列哪些是集成學(xué)習(xí)方法？（）A.隨機(jī)森林B.AdaBoostC.決策樹提升D.負(fù)債回歸E.堆疊泛化答案：ABCE解析：集成學(xué)習(xí)方法通過組合多個(gè)學(xué)習(xí)器的預(yù)測結(jié)果來提高模型的性能和魯棒性。隨機(jī)森林（A）是Bagging方法的典型代表，通過構(gòu)建多個(gè)決策樹并對它們的預(yù)測結(jié)果進(jìn)行投票。AdaBoost（B）是Boosting方法的典型代表，通過迭代地訓(xùn)練弱學(xué)習(xí)器，并對錯(cuò)誤分類的樣本賦予更高的權(quán)重。決策樹提升（C）是Boosting方法的一種具體實(shí)現(xiàn)，通常指使用決策樹作為基學(xué)習(xí)器的提升算法，如GBDT或XGBoost。負(fù)債回歸（D）是一種回歸方法，旨在對有偏見的樣本進(jìn)行回歸，不屬于集成學(xué)習(xí)方法。堆疊泛化（StackingGeneralization，Stacking）或簡稱堆疊（Stacking）是集成學(xué)習(xí)方法的一種，它使用多個(gè)不同的模型（基學(xué)習(xí)器）的預(yù)測結(jié)果作為輸入，再訓(xùn)練一個(gè)元學(xué)習(xí)器（Level-2learner）來組合這些預(yù)測結(jié)果。因此，隨機(jī)森林、AdaBoost、決策樹提升和堆疊泛化都是集成學(xué)習(xí)方法。6.下列哪些情況可能需要使用正則化？（）A.數(shù)據(jù)集樣本數(shù)量較少B.數(shù)據(jù)集特征數(shù)量較多C.模型過擬合D.模型欠擬合E.想要增加模型的解釋性答案：ABC解析：正則化是一種用于防止模型過擬合的技術(shù)，它通過在損失函數(shù)中添加一個(gè)懲罰項(xiàng)來實(shí)現(xiàn)。當(dāng)模型過擬合時(shí)，即模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，但在測試數(shù)據(jù)上表現(xiàn)差，通常是因?yàn)槟Ｐ瓦^于復(fù)雜，學(xué)習(xí)到了訓(xùn)練數(shù)據(jù)中的噪聲。正則化通過限制模型參數(shù)的大?。ㄈ鏛1或L2正則化），使得模型更加簡單，從而提高泛化能力。在以下情況下可能需要使用正則化：數(shù)據(jù)集樣本數(shù)量較少（A），因?yàn)槟Ｐ腿菀走^擬合；數(shù)據(jù)集特征數(shù)量較多（B），因?yàn)樘卣鲾?shù)量多時(shí)，模型更容易學(xué)習(xí)到噪聲；模型過擬合（C）。模型欠擬合（D）通常是由于模型過于簡單，需要增加模型復(fù)雜度或特征，而不是使用正則化。想要增加模型的解釋性（E）通常需要減少模型復(fù)雜度或使用特定的模型結(jié)構(gòu)，正則化（尤其是L1正則化）雖然可以減少參數(shù)數(shù)量，但主要目的是防止過擬合，而非直接增加解釋性。因此，需要使用正則化的情況包括數(shù)據(jù)集樣本數(shù)量較少、數(shù)據(jù)集特征數(shù)量較多和模型過擬合。7.下列哪些屬于常見的激活函數(shù)？（）A.SigmoidB.TanhC.ReLUD.LeakyReLUE.Softmax答案：ABCD解析：激活函數(shù)是神經(jīng)網(wǎng)絡(luò)中用于引入非線性因素的關(guān)鍵組件，它決定了節(jié)點(diǎn)輸出與輸入之間的關(guān)系。Sigmoid函數(shù)（A）將輸入值映射到(0,1)區(qū)間，常用于二元分類問題的輸出層或隱藏層。Tanh函數(shù)（B）將輸入值映射到(-1,1)區(qū)間，是Sigmoid函數(shù)的改進(jìn)，通常比Sigmoid函數(shù)具有更好的梯度，有助于緩解梯度消失問題。ReLU（RectifiedLinearUnit）函數(shù)（C）是當(dāng)前深度學(xué)習(xí)中常用的激活函數(shù)，當(dāng)輸入大于0時(shí)輸出等于輸入，否則輸出為0，計(jì)算簡單且有助于緩解梯度消失。LeakyReLU是ReLU的一種變體（D），它在輸入小于0時(shí)輸出一個(gè)小的負(fù)值（而非0），這有助于緩解ReLU的“死亡ReLU”問題，即部分神經(jīng)元可能永遠(yuǎn)不激活。Softmax函數(shù)（E）通常用于多分類問題的輸出層，它將每個(gè)類別的得分轉(zhuǎn)換為一個(gè)概率分布。因此，Sigmoid、Tanh、ReLU、LeakyReLU都屬于常見的激活函數(shù)。8.下列哪些是交叉驗(yàn)證的常見類型？（）A.k折交叉驗(yàn)證B.留一交叉驗(yàn)證C.劃分交叉驗(yàn)證D.組交叉驗(yàn)證E.自交叉驗(yàn)證答案：AB解析：交叉驗(yàn)證是一種評估模型泛化能力的方法，通過將數(shù)據(jù)集分成多個(gè)子集，進(jìn)行多次訓(xùn)練和驗(yàn)證來獲得更穩(wěn)健的評估結(jié)果。k折交叉驗(yàn)證（A）是將數(shù)據(jù)集隨機(jī)分成k個(gè)大小相等的子集，每次使用k-1個(gè)子集進(jìn)行訓(xùn)練，剩下的1個(gè)子集進(jìn)行驗(yàn)證，重復(fù)k次，最后取k次驗(yàn)證結(jié)果的平均值。留一交叉驗(yàn)證（B）是交叉驗(yàn)證的一種極端情況，即每次只留一個(gè)樣本作為驗(yàn)證集，其余作為訓(xùn)練集，重復(fù)k次（k等于數(shù)據(jù)集大?。?。劃分交叉驗(yàn)證（C）、組交叉驗(yàn)證（D）和自交叉驗(yàn)證（E）不是標(biāo)準(zhǔn)或常見的交叉驗(yàn)證類型。劃分交叉驗(yàn)證可能指將數(shù)據(jù)集按某種規(guī)則（如按時(shí)間順序）劃分為訓(xùn)練集和驗(yàn)證集，但這并非交叉驗(yàn)證的特定名稱。組交叉驗(yàn)證和自交叉驗(yàn)證也不是標(biāo)準(zhǔn)的交叉驗(yàn)證術(shù)語。因此，常見的交叉驗(yàn)證類型包括k折交叉驗(yàn)證和留一交叉驗(yàn)證。9.下列哪些是處理不平衡數(shù)據(jù)集的方法？（）A.過采樣B.欠采樣C.重加權(quán)D.特征選擇E.集成學(xué)習(xí)答案：ABCE解析：處理不平衡數(shù)據(jù)集是機(jī)器學(xué)習(xí)中一個(gè)重要的挑戰(zhàn)。常用的方法包括：過采樣（A）是指增加少數(shù)類樣本的數(shù)量，可以通過復(fù)制樣本或使用SMOTE等方法實(shí)現(xiàn)。欠采樣（B）是指減少多數(shù)類樣本的數(shù)量，可以通過隨機(jī)刪除或使用EditedNearestNeighbors(ENN)等方法實(shí)現(xiàn)。重加權(quán)（C）是指為不同類別的樣本分配不同的權(quán)重，通常對少數(shù)類樣本賦予更高的權(quán)重，以使模型在訓(xùn)練時(shí)更加關(guān)注少數(shù)類。特征選擇（D）雖然可以減少數(shù)據(jù)維度，提高模型效率，但本身不是專門針對不平衡數(shù)據(jù)集的方法，盡管通過選擇能夠更好區(qū)分不同類別的特征，可能間接有助于緩解不平衡問題。集成學(xué)習(xí)（E）中的某些方法，如Bagging（特別是隨機(jī)森林）和Boosting（特別是AdaBoost），可以通過調(diào)整采樣策略或模型組合來更好地處理不平衡數(shù)據(jù)集。因此，過采樣、欠采樣、重加權(quán)和集成學(xué)習(xí)都是處理不平衡數(shù)據(jù)集的方法。10.下列哪些是特征縮放的方法？（）A.歸一化B.標(biāo)準(zhǔn)化C.最大最小縮放D.主成分分析E.對數(shù)變換答案：ABC解析：特征縮放（FeatureScaling）是將特征值調(diào)整到相似的范圍或分布，以消除不同特征之間量綱或數(shù)值范圍的差異，避免某些特征因數(shù)值范圍過大而對模型產(chǎn)生過大影響。常用的特征縮放方法包括：歸一化（A），通常指將特征值縮放到[0,1]區(qū)間，常用公式為(x-min(x))/(max(x)-min(x))。標(biāo)準(zhǔn)化（B），通常指將特征值轉(zhuǎn)換為均值為0，標(biāo)準(zhǔn)差為1的分布，常用公式為(x-mean(x))/std(x)。最大最小縮放（C），與歸一化類似，也是將特征值縮放到一個(gè)固定的范圍，通常是[0,1]或[-1,1]，常用公式為(x-min(x))/(max(x)-min(x))或(x-min(x))/(max(x)-min(x))*2-1。主成分分析（D）是一種特征降維方法，它通過線性變換將原始特征組合成一組新的、不相關(guān)的特征（主成分），這些主成分按照方差大小排序，主要用于減少特征數(shù)量或消除冗余，而非直接縮放特征值。對數(shù)變換（E）是一種特征轉(zhuǎn)換方法，它通過計(jì)算特征值的對數(shù)來改變其分布形狀，例如將偏態(tài)分布轉(zhuǎn)換為近似正態(tài)分布，但它不改變特征值的范圍或尺度，因此不屬于特征縮放。因此，歸一化、標(biāo)準(zhǔn)化和最大最小縮放都是特征縮放的方法。11.下列哪些是常用的評估指標(biāo)？（）A.準(zhǔn)確率B.精確率C.召回率D.F1分?jǐn)?shù)E.AUC值答案：ABCDE解析：模型評估指標(biāo)用于衡量模型在測試數(shù)據(jù)集上的性能。對于分類問題，常用的評估指標(biāo)包括準(zhǔn)確率（A）、精確率（B）、召回率（C）和F1分?jǐn)?shù)（D）。F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均數(shù)，能夠綜合評估模型的性能，特別是在類別不平衡的情況下。AUC值（AreaUndertheROCCurve，ROC曲線下面積）也是常用的評估指標(biāo)，它衡量模型在不同閾值下的區(qū)分能力，AUC值越高，模型的區(qū)分能力越強(qiáng)。因此，準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)和AUC值都是常用的模型評估指標(biāo)。12.下列哪些屬于特征工程的技術(shù)？（）A.特征縮放B.特征編碼C.特征選擇D.特征交互E.特征降維答案：ABCDE解析：特征工程是機(jī)器學(xué)習(xí)流程中至關(guān)重要的一步，旨在通過轉(zhuǎn)換和選擇原始特征來提高模型的性能。特征縮放（A）包括歸一化和標(biāo)準(zhǔn)化等方法，用于將特征值調(diào)整到相似的尺度，避免某些特征因數(shù)值范圍過大而對模型產(chǎn)生過大影響。特征編碼（B）是將類別特征轉(zhuǎn)換為數(shù)值特征的過程，例如獨(dú)熱編碼和標(biāo)簽編碼。特征選擇（C）是從原始特征集中選擇一部分最有用的特征，以減少模型的復(fù)雜度、提高泛化能力和減少訓(xùn)練時(shí)間。特征交互（D）是創(chuàng)建新的特征，通常是原始特征之間的乘積、和或其他組合，以捕捉特征之間的交互關(guān)系。特征降維（E）是減少特征數(shù)量，同時(shí)保留數(shù)據(jù)中的主要信息，常用的方法包括主成分分析（PCA）和線性判別分析（LDA）。因此，特征縮放、特征編碼、特征選擇、特征交互和特征降維都屬于特征工程的技術(shù)。13.下列哪些是常用的優(yōu)化算法？（）A.梯度下降B.隨機(jī)梯度下降C.牛頓法D.隨機(jī)搜索E.動量法答案：ABCE解析：優(yōu)化算法是用于尋找模型參數(shù)，使得模型損失函數(shù)最小化的方法。梯度下降（A）是最基礎(chǔ)的優(yōu)化算法，通過計(jì)算損失函數(shù)關(guān)于參數(shù)的梯度，并沿梯度的負(fù)方向更新參數(shù)。隨機(jī)梯度下降（B）是梯度下降的變種，每次更新時(shí)只使用一個(gè)隨機(jī)樣本計(jì)算梯度，能夠加快收斂速度，特別是在大數(shù)據(jù)集上。牛頓法（C）利用二階導(dǎo)數(shù)（Hessian矩陣）來加速收斂，通常比梯度下降更快，但計(jì)算成本更高。隨機(jī)搜索（D）是一種參數(shù)優(yōu)化方法，通過隨機(jī)探索參數(shù)空間來尋找最優(yōu)參數(shù)，但不屬于基于梯度的優(yōu)化算法。動量法（E）是梯度下降的改進(jìn)，通過在更新參數(shù)時(shí)加入前一步梯度的加權(quán)平均，來加速收斂并提高穩(wěn)定性。因此，梯度下降、隨機(jī)梯度下降、牛頓法和動量法都是常用的優(yōu)化算法。14.下列哪些是集成學(xué)習(xí)方法？（）A.隨機(jī)森林B.AdaBoostC.決策樹提升D.負(fù)債回歸E.堆疊泛化答案：ABCE解析：集成學(xué)習(xí)方法通過組合多個(gè)學(xué)習(xí)器的預(yù)測結(jié)果來提高模型的性能和魯棒性。隨機(jī)森林（A）是Bagging方法的典型代表，通過構(gòu)建多個(gè)決策樹并對它們的預(yù)測結(jié)果進(jìn)行投票。AdaBoost（B）是Boosting方法的典型代表，通過迭代地訓(xùn)練弱學(xué)習(xí)器，并對錯(cuò)誤分類的樣本賦予更高的權(quán)重。決策樹提升（C）是Boosting方法的一種具體實(shí)現(xiàn)，通常指使用決策樹作為基學(xué)習(xí)器的提升算法，如GBDT或XGBoost。負(fù)債回歸（D）是一種回歸方法，旨在對有偏見的樣本進(jìn)行回歸，不屬于集成學(xué)習(xí)方法。堆疊泛化（StackingGeneralization，Stacking）或簡稱堆疊（Stacking）是集成學(xué)習(xí)方法的一種，它使用多個(gè)不同的模型（基學(xué)習(xí)器）的預(yù)測結(jié)果作為輸入，再訓(xùn)練一個(gè)元學(xué)習(xí)器（Level-2learner）來組合這些預(yù)測結(jié)果。因此，隨機(jī)森林、AdaBoost、決策樹提升和堆疊泛化都是集成學(xué)習(xí)方法。15.下列哪些情況可能需要使用正則化？（）A.數(shù)據(jù)集樣本數(shù)量較少B.數(shù)據(jù)集特征數(shù)量較多C.模型過擬合D.模型欠擬合E.想要增加模型的解釋性答案：ABC解析：正則化是一種用于防止模型過擬合的技術(shù)，它通過在損失函數(shù)中添加一個(gè)懲罰項(xiàng)來實(shí)現(xiàn)。當(dāng)模型過擬合時(shí)，即模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，但在測試數(shù)據(jù)上表現(xiàn)差，通常是因?yàn)槟Ｐ瓦^于復(fù)雜，學(xué)習(xí)到了訓(xùn)練數(shù)據(jù)中的噪聲。正則化通過限制模型參數(shù)的大?。ㄈ鏛1或L2正則化），使得模型更加簡單，從而提高泛化能力。在以下情況下可能需要使用正則化：數(shù)據(jù)集樣本數(shù)量較少（A），因?yàn)槟Ｐ腿菀走^擬合；數(shù)據(jù)集特征數(shù)量較多（B），因?yàn)樘卣鲾?shù)量多時(shí)，模型更容易學(xué)習(xí)到噪聲；模型過擬合（C）。模型欠擬合（D）通常是由于模型過于簡單，需要增加模型復(fù)雜度或特征，而不是使用正則化。想要增加模型的解釋性（E）通常需要減少模型復(fù)雜度或使用特定的模型結(jié)構(gòu)，正則化（尤其是L1正則化）雖然可以減少參數(shù)數(shù)量，但主要目的是防止過擬合，而非直接增加解釋性。因此，需要使用正則化的情況包括數(shù)據(jù)集樣本數(shù)量較少、數(shù)據(jù)集特征數(shù)量較多和模型過擬合。16.下列哪些屬于常見的激活函數(shù)？（）A.SigmoidB.TanhC.ReLUD.LeakyReLUE.Softmax答案：ABCD解析：激活函數(shù)是神經(jīng)網(wǎng)絡(luò)中用于引入非線性因素的關(guān)鍵組件，它決定了節(jié)點(diǎn)輸出與輸入之間的關(guān)系。Sigmoid函數(shù)（A）將輸入值映射到(0,1)區(qū)間，常用于二元分類問題的輸出層或隱藏層。Tanh函數(shù)（B）將輸入值映射到(-1,1)區(qū)間，是Sigmoid函數(shù)的改進(jìn)，通常比Sigmoid函數(shù)具有更好的梯度，有助于緩解梯度消失問題。ReLU（RectifiedLinearUnit）函數(shù)（C）是當(dāng)前深度學(xué)習(xí)中常用的激活函數(shù)，當(dāng)輸入大于0時(shí)輸出等于輸入，否則輸出為0，計(jì)算簡單且有助于緩解梯度消失。LeakyReLU是ReLU的一種變體（D），它在輸入小于0時(shí)輸出一個(gè)小的負(fù)值（而非0），這有助于緩解ReLU的“死亡ReLU”問題，即部分神經(jīng)元可能永遠(yuǎn)不激活。Softmax函數(shù)（E）通常用于多分類問題的輸出層，它將每個(gè)類別的得分轉(zhuǎn)換為一個(gè)概率分布。因此，Sigmoid、Tanh、ReLU、LeakyReLU都屬于常見的激活函數(shù)。17.下列哪些是交叉驗(yàn)證的常見類型？（）A.k折交叉驗(yàn)證B.留一交叉驗(yàn)證C.劃分交叉驗(yàn)證D.組交叉驗(yàn)證E.自交叉驗(yàn)證答案：AB解析：交叉驗(yàn)證是一種評估模型泛化能力的方法，通過將數(shù)據(jù)集分成多個(gè)子集，進(jìn)行多次訓(xùn)練和驗(yàn)證來獲得更穩(wěn)健的評估結(jié)果。k折交叉驗(yàn)證（A）是將數(shù)據(jù)集隨機(jī)分成k個(gè)大小相等的子集，每次使用k-1個(gè)子集進(jìn)行訓(xùn)練，剩下的1個(gè)子集進(jìn)行驗(yàn)證，重復(fù)k次，最后取k次驗(yàn)證結(jié)果的平均值。留一交叉驗(yàn)證（B）是交叉驗(yàn)證的一種極端情況，即每次只留一個(gè)樣本作為驗(yàn)證集，其余作為訓(xùn)練集，重復(fù)k次（k等于數(shù)據(jù)集大?。澐纸徊骝?yàn)證（C）、組交叉驗(yàn)證（D）和自交叉驗(yàn)證（E）不是標(biāo)準(zhǔn)或常見的交叉驗(yàn)證類型。劃分交叉驗(yàn)證可能指將數(shù)據(jù)集按某種規(guī)則（如按時(shí)間順序）劃分為訓(xùn)練集和驗(yàn)證集，但這并非交叉驗(yàn)證的特定名稱。組交叉驗(yàn)證和自交叉驗(yàn)證也不是標(biāo)準(zhǔn)的交叉驗(yàn)證術(shù)語。因此，常見的交叉驗(yàn)證類型包括k折交叉驗(yàn)證和留一交叉驗(yàn)證。18.下列哪些是處理不平衡數(shù)據(jù)集的方法？（）A.過采樣B.欠采樣C.重加權(quán)D.特征選擇E.集成學(xué)習(xí)答案：ABCE解析：處理不平衡數(shù)據(jù)集是機(jī)器學(xué)習(xí)中一個(gè)重要的挑戰(zhàn)。常用的方法包括：過采樣（A）是指增加少數(shù)類樣本的數(shù)量，可以通過復(fù)制樣本或使用SMOTE等方法實(shí)現(xiàn)。欠采樣（B）是指減少多數(shù)類樣本的數(shù)量，可以通過隨機(jī)刪除或使用EditedNearestNeighbors(ENN)等方法實(shí)現(xiàn)。重加權(quán)（C）是指為不同類別的樣本分配不同的權(quán)重，通常對少數(shù)類樣本賦予更高的權(quán)重，以使模型在訓(xùn)練時(shí)更加關(guān)注少數(shù)類。特征選擇（D）雖然可以減少數(shù)據(jù)維度，提高模型效率，但本身不是專門針對不平衡數(shù)據(jù)集的方法，盡管通過選擇能夠更好區(qū)分不同類別的特征，可能間接有助于緩解不平衡問題。集成學(xué)習(xí)（E）中的某些方法，如Bagging（特別是隨機(jī)森林）和Boosting（特別是AdaBoost），可以通過調(diào)整采樣策略或模型組合來更好地處理不平衡數(shù)據(jù)集。因此，過采樣、欠采樣、重加權(quán)和集成學(xué)習(xí)都是處理不平衡數(shù)據(jù)集的方法。19.下列哪些是特征縮放的方法？（）A.歸一化B.標(biāo)準(zhǔn)化C.最大最小縮放D.主成分分析E.對數(shù)變換答案：ABC解析：特征縮放（FeatureScaling）是將特征值調(diào)整到相似的范圍或分布，以消除不同特征之間量綱或數(shù)值范圍的差異，避免某些特征因數(shù)值范圍過大而對模型產(chǎn)生過大影響。常用的特征縮放方法包括：歸一化（A），通常指將特征值縮放到[0,1]區(qū)間，常用公式為(x-min(x))/(max(x)-min(x))。標(biāo)準(zhǔn)化（B），通常指將特征值轉(zhuǎn)換為均值為0，標(biāo)準(zhǔn)差為1的分布，常用公式為(x-mean(x))/std(x)。最大最小縮放（C），與歸一化類似，也是將特征值縮放到一個(gè)固定的范圍，通常是[0,1]或[-1,1]，常用公式為(x-min(x))/(max(x)-min(x))或(x-min(x))/(max(x)-min(x))*2-1。主成分分析（D）是一種特征降維方法，它通過線性變換將原始特征組合成一組新的、不相關(guān)的特征（主成分），這些主成分按照方差大小排序，主要用于減少特征數(shù)量或消除冗余，而非直接縮放特征值。對數(shù)變換（E）是一種特征轉(zhuǎn)換方法，它通過計(jì)算特征值的對數(shù)來改變其分布形狀，例如將偏態(tài)分布轉(zhuǎn)換為近似正態(tài)分布，但它不改變特征值的范圍或尺度，因此不屬于特征縮放。因此，歸一化、標(biāo)準(zhǔn)化和最大最小縮放都是特征縮放的方法。20.下列哪些是常用的評估指標(biāo)？（）A.準(zhǔn)確率B.精確率C.召回率D.F1分?jǐn)?shù)E.AUC值答案：ABCDE解析：模型評估指標(biāo)用于衡量模型在測試數(shù)據(jù)集上的性能。對于分類問題，常用的評估指標(biāo)包括準(zhǔn)確率（A）、精確率（B）、召回率（C）和F1分?jǐn)?shù)（D）。F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均數(shù)，能夠綜合評估模型的性能，特別是在類別不平衡的情況下。AUC值（AreaUndertheROCCurve，ROC曲線下面積）也是常用的評估指標(biāo)，它衡量模型在不同閾值下的區(qū)分能力，AUC值越高，模型的區(qū)分能力越強(qiáng)。因此，準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)和AUC值都是常用的模型評估指標(biāo)。三、判斷題1.決策樹算法能夠處理非線性關(guān)系。（）答案：正確解析：決策樹算法通過構(gòu)建樹形結(jié)構(gòu)進(jìn)行決策，能夠有效地處理非線性關(guān)系。通過遞歸地劃分?jǐn)?shù)據(jù)空間，決策樹可以捕捉到數(shù)據(jù)中復(fù)雜的非線性模式，從而實(shí)現(xiàn)對非線性關(guān)系的建模。因此，題目表述正確。2.支持向量機(jī)通過核函數(shù)將線性不可分的數(shù)據(jù)映射到高維空間，使其能夠使用線性邊界進(jìn)行分類。（）答案：正確解析：支持向量機(jī)（SVM）的核心思想是尋找一個(gè)最優(yōu)的決策邊界，用于區(qū)分不同類別的數(shù)據(jù)。當(dāng)數(shù)據(jù)線性不可分時(shí)，SVM可以通過核函數(shù)將數(shù)據(jù)映射到高維特征空間，使其能夠使用線性邊界進(jìn)行分類。核函數(shù)的作用是將原始特征空間映射到一個(gè)更高維的空間，從而使得原本線性不可分的數(shù)據(jù)在新的空間中變得線性可分。因此，題目表述正確。3.邏輯回歸模型輸出的是樣本屬于正類的概率值。（）答案：正確