機器學(xué)習(xí)實戰(zhàn)-基于Scikit-Learn知到章節(jié)答案智慧樹2023年蘭州石化職業(yè)技術(shù)大學(xué)

機器學(xué)習(xí)實戰(zhàn)——基于Scikit-Learn知到章節(jié)測試答案智慧樹2023年最新蘭州石化職業(yè)技術(shù)大學(xué)第一章測試以下屬于監(jiān)督學(xué)習(xí)算法的有（）

參考答案:

決策樹和隨機森林;線性回歸;支持向量機（SVM）;神經(jīng)網(wǎng)絡(luò);K近鄰算法;邏輯回歸以下屬于監(jiān)督學(xué)習(xí)算法的有（）

參考答案:

關(guān)聯(lián)性規(guī)則學(xué)習(xí);聚類;可視化和降維下載維基百科的副本，電腦得到了更多的數(shù)據(jù)，因此維基百科的副本是一個機器學(xué)習(xí)應(yīng)用。（）

參考答案:

錯使用機器學(xué)習(xí)方法挖掘大量數(shù)據(jù)，可以發(fā)現(xiàn)并不顯著的規(guī)律。這稱作數(shù)據(jù)挖掘。（）

參考答案:

對根據(jù)是否可以動態(tài)漸進學(xué)習(xí)，將機器學(xué)習(xí)分為在線學(xué)習(xí)和批量學(xué)習(xí)。（）

參考答案:

對通過簡單地比較新的數(shù)據(jù)點和已知的數(shù)據(jù)點，這樣的機器學(xué)習(xí)應(yīng)用是基于實例的學(xué)習(xí)。（）

參考答案:

對在訓(xùn)練數(shù)據(jù)中進行模式識別，以建立一個預(yù)測模型，這種機器學(xué)習(xí)應(yīng)用是基于模型的學(xué)習(xí)。（）

參考答案:

對垃圾郵件過濾器就是一個典型的回歸任務(wù)。（）

參考答案:

錯在線學(xué)習(xí)系統(tǒng)的一個重要參數(shù)是學(xué)習(xí)速率，它決定了系統(tǒng)可以多快的適應(yīng)數(shù)據(jù)的改變。（）

參考答案:

對在線學(xué)習(xí)的挑戰(zhàn)之一是，如果壞數(shù)據(jù)被用來進行訓(xùn)練，系統(tǒng)的性能就會逐漸下滑。（）

參考答案:

對第二章測試房價預(yù)測模型是典型的（）

參考答案:

回歸任務(wù);監(jiān)督式學(xué)習(xí)任務(wù);批量學(xué)習(xí)任務(wù)機器學(xué)習(xí)系統(tǒng)啟動后，需要（）

參考答案:

定期使用新數(shù)據(jù)訓(xùn)練模型。;編寫監(jiān)控代碼，以定期檢查系統(tǒng)的實時性能，在性能發(fā)生下降時觸發(fā)報警。;評估系統(tǒng)性能，需要對預(yù)測值采樣并進行評估。;評估系統(tǒng)輸入數(shù)據(jù)的質(zhì)量。回歸問題的典型性能衡量指標(biāo)是均方根誤差（）

參考答案:

對一個序列的數(shù)據(jù)處理組件稱為一個數(shù)據(jù)流水線。（）

參考答案:

對數(shù)據(jù)可視化是數(shù)據(jù)探索的方法之一。（）

參考答案:

對流水線的組件通常是同步運行。（）

參考答案:

錯第三章測試使用二元分類器將數(shù)字圖片分為10類（從0到9），意味著要訓(xùn)練（）個二元分類器

參考答案:

45多輸出分類是多標(biāo)簽分類的泛化（）

參考答案:

對多標(biāo)簽分類和多類別分類器本質(zhì)上是相同的。（）

參考答案:

錯分析混淆矩陣可以幫助我們深入了解如何改進分類器。（）

參考答案:

對可以使用混淆矩陣進行誤差分析。（）

參考答案:

對第四章測試當(dāng)特征的個數(shù)較大的時候（例如：特征數(shù)量為100000），標(biāo)準(zhǔn)方程求解將會非常慢（）

參考答案:

對梯度下降是一種非常通用的優(yōu)化算法，它能夠很好地解決一系列問題。梯度下降的整體思路是通過的迭代來逐漸調(diào)整參數(shù)使得損失函數(shù)達(dá)到最大值。（）

參考答案:

對可以使用線性模型來擬合非線性數(shù)據(jù)。（）

參考答案:

對一些回歸算法也可以用于分類。（）

參考答案:

對一些分類算法也可以用于回歸。（）

參考答案:

對第五章測試以下關(guān)于支持向量機的說法正確的是（）。

參考答案:

SVM分類面取決于支持向量以下關(guān)于訓(xùn)練集、驗證集和測試集說法不正確的是（）。

參考答案:

訓(xùn)練集是用來訓(xùn)練以及評估模型性能下列哪種方法可以用來緩解過擬合的產(chǎn)生：（）。

參考答案:

正則化SVM的原理的簡單描述，可概括為：最大間隔分類。（）

參考答案:

對假定你使用階數(shù)為2的線性核SVM，將模型應(yīng)用到實際數(shù)據(jù)集上后，其訓(xùn)練準(zhǔn)確率和測試準(zhǔn)確率均為100%。現(xiàn)在增加模型復(fù)雜度（增加核函數(shù)的階），會發(fā)生以下哪種情況：過擬合。（）

參考答案:

對第六章測試當(dāng)數(shù)據(jù)分布不平衡時，我們可采取的措施不包括（）。

參考答案:

對數(shù)據(jù)分布較多的類別賦予更大的權(quán)重?哪些機器學(xué)習(xí)模型經(jīng)過訓(xùn)練，能夠根據(jù)其行為獲得的獎勵和反饋做出一系列決策？（）

參考答案:

監(jiān)督學(xué)習(xí)我們想要在大數(shù)據(jù)集上訓(xùn)練決策樹模型，為了使用較少的時間，可以：（）。

參考答案:

減少樹的深度決策樹算法中特征空間越大，過擬合的可能性越大。（）

參考答案:

對大部分的機器學(xué)習(xí)工程中，數(shù)據(jù)搜集、數(shù)據(jù)清洗、特征工程這三個步驟絕大部分時間，而數(shù)據(jù)建模，占總時間比較少。（）

參考答案:

對第七章測試使用Scikit-Learn使，將應(yīng)投票更改為軟投票，則（）。

參考答案:

用voting=”soft”代替voting=”hard”;確保所有分類器都可以估算出概率;超參數(shù)probability設(shè)置為Ture關(guān)于bagging與pasting兩種方法錯誤的是（）。

參考答案:

采樣時bagging要將樣本放回特征的重要性表現(xiàn)為（）。

參考答案:

重要的特征更可能出現(xiàn)在靠近根節(jié)點的位置使用梯度提升方法找到書的最佳數(shù)量，可以使用（）。

參考答案:

晚期停止法堆疊法又稱層疊泛化法，它訓(xùn)練一個模型來執(zhí)行聚合任務(wù)。（）

參考答案:

對第八章測試關(guān)于數(shù)據(jù)降維，以下說法正確的是（）。

參考答案:

維護難度上升;會輕微降低系統(tǒng)性能;能夠加速訓(xùn)練;會丟失一些信息關(guān)于主成分分析，以下說法正確的是（）。

參考答案:

要先識別出最接近數(shù)據(jù)的超平面;要將數(shù)據(jù)投影在超平面上在PCA投影上運行投影的逆轉(zhuǎn)換，得到的數(shù)據(jù)與原始