機(jī)器學(xué)習(xí)智慧樹知到課后章節(jié)答案2023年下同濟(jì)大學(xué)

機(jī)器學(xué)習(xí)智慧樹知到課后章節(jié)答案2023年下同濟(jì)大學(xué)同濟(jì)大學(xué)

第一章測(cè)試

回歸和分類都是有監(jiān)督學(xué)習(xí)問題。（）

A:對(duì)B:錯(cuò)

答案:對(duì)

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。（）

A:錯(cuò)B:對(duì)

答案:錯(cuò)

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。（）

A:回歸和相關(guān)在x和y之間都是互為對(duì)稱的

B:回歸在x和y之間是對(duì)稱的，相關(guān)在x和y之間是非對(duì)稱的

C:回歸和相關(guān)在x和y之間都是非對(duì)稱的

D: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

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

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。（）

A:錯(cuò)B:對(duì)

答案:錯(cuò)

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)。（）

A:錯(cuò)B:對(duì)

答案:錯(cuò)

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。（）

A:對(duì)B:錯(cuò)

答案:對(duì)

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。（）

A:錯(cuò)B:對(duì)

答案:對(duì)

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（）

A:"概念學(xué)習(xí)系統(tǒng)"

B:支持向量機(jī)

C:"結(jié)構(gòu)學(xué)習(xí)系統(tǒng)"

D:"基于邏輯的歸納學(xué)習(xí)系統(tǒng)“

答案:"概念學(xué)習(xí)系統(tǒng)"

;"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)“

以下方法或技術(shù)屬于統(tǒng)計(jì)學(xué)習(xí)范疇的是（）

A:核方法

B:Hopfield神經(jīng)網(wǎng)絡(luò)

C:支持向量機(jī)

D:感知機(jī)

答案:核方法

;支持向量機(jī)

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。（）

A:錯(cuò)B:對(duì)

答案:對(duì)

第二章測(cè)試

回歸問題和分類問題都有可能發(fā)生過擬合。（）

A:對(duì)B:錯(cuò)

答案:對(duì)

對(duì)于k折交叉驗(yàn)證,以下對(duì)k的說法正確的是（）

A:在選擇k時(shí),要最小化數(shù)據(jù)集之間的方差

B:k越大,不一定越好,選擇大的k會(huì)加大評(píng)估時(shí)間

C:k越大越好

D: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)

答案:在選擇k時(shí),要最小化數(shù)據(jù)集之間的方差

;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)

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（）

A:小明這個(gè)有可能是由于過擬合導(dǎo)致的

B:從機(jī)器學(xué)習(xí)理論的角度，這樣的情況不應(yīng)該發(fā)生，應(yīng)該去找大賽組委會(huì)反應(yīng)

C: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

D:小明應(yīng)該乖乖使用默認(rèn)的參數(shù)就行了，調(diào)參是不可能有收益的

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

下列哪種方法可以用來減小過擬合？（）

A:L1正則化

B:更多的訓(xùn)練數(shù)據(jù)

C:L2正則化

D:減小模型的復(fù)雜度

答案:L1正則化

;更多的訓(xùn)練數(shù)據(jù)

;L2正則化

;減小模型的復(fù)雜度

下列關(guān)于bootstrap說法正確的是？（）

A:從總的N個(gè)樣本中，有放回地抽取n個(gè)樣本（n＜N）

B:從總的N個(gè)樣本中，無放回地抽取n個(gè)樣本（n＜N）

C:從總的M個(gè)特征中，有放回地抽取m個(gè)特征（m＜M）

D:從總的M個(gè)特征中，無放回地抽取m個(gè)特征（m＜M）

答案:從總的N個(gè)樣本中，有放回地抽取n個(gè)樣本（n＜N）

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？（）

A:增加模型的特征數(shù)量

B:增加樣本數(shù)量

C:減少模型的特征數(shù)量

答案:增加模型的特征數(shù)量

第三章測(cè)試

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？（）

A:測(cè)試樣本誤差不可能為零

B:選項(xiàng)中的答案都不對(duì)

C:測(cè)試樣本誤差始終為零

答案:選項(xiàng)中的答案都不對(duì)

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

A:殘差均值總是小于零

B:殘差均值總是為零

C:選項(xiàng)中的說法都不對(duì)

D:殘差均值總是大于零

答案:殘差均值總是為零

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？（）

A:X是非隨機(jī)且測(cè)量沒有誤差的

B:X與Y有線性關(guān)系（多項(xiàng)式關(guān)系）

C:誤差一般服從0均值和固定標(biāo)準(zhǔn)差的正態(tài)分布

D:模型誤差在統(tǒng)計(jì)學(xué)上是獨(dú)立的

答案:X是非隨機(jī)且測(cè)量沒有誤差的

;X與Y有線性關(guān)系（多項(xiàng)式關(guān)系）

;誤差一般服從0均值和固定標(biāo)準(zhǔn)差的正態(tài)分布

;模型誤差在統(tǒng)計(jì)學(xué)上是獨(dú)立的

一般來說，下列哪種方法常用來預(yù)測(cè)連續(xù)獨(dú)立變量？（）

A:線性回歸

B:線性回歸和邏輯回歸都行

C:邏輯回歸

答案:線性回歸

上圖中哪一種偏移，是我們?cè)谧钚《酥本€擬合的情況下使用的？圖中橫坐標(biāo)是輸入X，縱坐標(biāo)是輸出Y。（）

A:垂向偏移（perpendicularoffsets）

B:兩種偏移都可以

C:垂直偏移（verticaloffsets）

答案:垂直偏移（verticaloffsets）

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。現(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？（）

A:訓(xùn)練樣本準(zhǔn)確率一定增加或保持不變

B:測(cè)試樣本準(zhǔn)確率一定增加或保持不變

C:測(cè)試樣本準(zhǔn)確率一定會(huì)降低

D:訓(xùn)練樣本準(zhǔn)確率一定會(huì)降低

答案:訓(xùn)練樣本準(zhǔn)確率一定增加或保持不變

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？（）

A:模型正確率并不高，應(yīng)該建立更好的模型

B:模型正確率很高，不需要優(yōu)化模型了

C:無法對(duì)模型做出好壞評(píng)價(jià)

答案:模型正確率并不高，應(yīng)該建立更好的模型

第四章測(cè)試

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（）

A: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

B:信息增益可以用”1比特-熵”獲得

C:純度高的結(jié)點(diǎn)需要更多的信息來描述它

答案: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

;信息增益可以用”1比特-熵”獲得

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。（）

A:對(duì)B:錯(cuò)

答案:對(duì)

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。（）

A:對(duì)B:錯(cuò)

答案:對(duì)

對(duì)于劃分屬性選擇，以下說法正確的是（）

A: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。

B:選項(xiàng)中說法都不對(duì)

C:增益率準(zhǔn)則對(duì)可取值數(shù)目較少的屬性有所偏好

D:信息增益準(zhǔn)則對(duì)可取值數(shù)目較多的屬性有所偏好

答案: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。

;增益率準(zhǔn)則對(duì)可取值數(shù)目較少的屬性有所偏好

;信息增益準(zhǔn)則對(duì)可取值數(shù)目較多的屬性有所偏好

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。（）

A:錯(cuò)B:對(duì)

答案:對(duì)

第五章測(cè)試

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)？（）

A:Sigmoid

B:tanh

C:ReLU

D:選項(xiàng)中都有可能

答案:tanh

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？（）

A:更新權(quán)重w時(shí)，使用的是矩陣求逆還是梯度下降

B:多項(xiàng)式階數(shù)

C:使用常數(shù)項(xiàng)

答案:多項(xiàng)式階數(shù)

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：（）

A:具有稀疏特性

B:求梯度簡(jiǎn)單

C:選項(xiàng)中沒有正確答案

D:收斂快

答案:具有稀疏特性

;求梯度簡(jiǎn)單

;收斂快

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？（）

A:用改良的網(wǎng)絡(luò)結(jié)構(gòu)比如LSTM和GRUs

B:梯度裁剪

C:Dropout

D:選項(xiàng)中的方法都不行

答案:梯度裁剪

Dropout技術(shù)在下列哪種神經(jīng)層中將無法發(fā)揮顯著優(yōu)勢(shì)？（）

A:卷積層

B:仿射層（全連接層）

C:RNN層

答案:RNN層

第六章測(cè)試

如果SVM模型欠擬合,以下方法哪些可以改進(jìn)模型（）

A:減小懲罰參數(shù)C的值

B:減小核函數(shù)的參數(shù)

C:增大懲罰參數(shù)C的值

答案:增大懲罰參數(shù)C的值

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。（）

A:對(duì)B:錯(cuò)

答案:對(duì)

關(guān)于SVM與感知機(jī)，以下說法正確的是：（）

A: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

B:感知機(jī)只用于線性分類，SVM可用于線性和非線性分類

C: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

D:都是用于分類的監(jiān)督學(xué)習(xí)算法

答案: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

;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

;都是用于分類的監(jiān)督學(xué)習(xí)算法

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。（）

A:對(duì)B:錯(cuò)

答案:對(duì)

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。（）

A:錯(cuò)B:對(duì)

答案:對(duì)

關(guān)于SVM如何選用核函數(shù)，下列說法正確的是：（）

A: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

B:選項(xiàng)中說法都不對(duì)

C: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

D: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

答案: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

;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

;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

第七章測(cè)試

下列關(guān)于極大似然估計(jì)（MaximumLikelihoodEstimate，MLE），說法正確的是（）

A:如果MLE存在，那么它的解一定是唯一的

B:MLE可能并不存在

C:如果MLE存在，那么它的解可能不是唯一的

D:MLE總是存在

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

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。（）

A:錯(cuò)B:對(duì)

答案:對(duì)

樸素貝葉斯分類器有屬性條件獨(dú)立的假設(shè)前提。（）

A:錯(cuò)B:對(duì)

答案:對(duì)

上面三個(gè)貝葉斯模型中，屬性之間存在依賴關(guān)系的是：（）

A:都不存在

B:（c）

C:（a）

D:（b）

答案:（c）

;（b）

關(guān)于貝葉斯網(wǎng)絡(luò)，以下說法正確的是：（）

A:貝葉斯網(wǎng)絡(luò)是有向無環(huán)圖模型

B:貝葉斯網(wǎng)絡(luò)是無向有環(huán)圖模型

C:貝葉斯網(wǎng)絡(luò)是一種概率圖模型

D:貝葉斯網(wǎng)絡(luò)又稱信念網(wǎng)絡(luò)

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)是一種概率圖模型

;貝葉斯網(wǎng)絡(luò)又稱信念網(wǎng)絡(luò)

第八章測(cè)試

下面關(guān)于RandomForest和GradientBoostingTrees說法正確的是？（）

A:在GradientBoostingTrees中可以生成并行樹，因?yàn)樗鼈兪窍嗷オ?dú)立的

B:無論任何數(shù)據(jù)，GradientBoostingTrees總是優(yōu)于RandomForest

C:兩者都使用隨機(jī)特征子集來創(chuàng)建中間樹

D:RandomForest的中間樹不是相互獨(dú)立的，而GradientBoostingTrees的中間樹是相互獨(dú)立的

答案:兩者都使用隨機(jī)特征子集來創(chuàng)建中間樹

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？（）

A:基本模型之間相關(guān)性高

B:基本模型之間相關(guān)性低

C:基本模型都來自于同一算法

D:集成方法中，使用加權(quán)平均代替投票方法

答案:基本模型之間相關(guān)性低

以下方法屬于集成學(xué)習(xí)方法的是（）

A:stacking

B:bagging

C:bootstrapping

D:boosting

答案:stacking

;bagging

;boosting

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：（）

A:三個(gè)臭皮匠的缺點(diǎn)各不相同

B:選項(xiàng)中說法都不對(duì)

C:三個(gè)臭皮匠的優(yōu)點(diǎn)各不相同

D:三個(gè)臭皮匠不能太差，每個(gè)人考試都能及格

答案:三個(gè)臭皮匠的優(yōu)點(diǎn)各不相同

;三個(gè)臭皮匠不能太差，每個(gè)人考試都能及格

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。（）

A:對(duì)B:錯(cuò)

答案:錯(cuò)

第九章測(cè)試

向量x=[1,2,3,4,-9,0]的L1范數(shù)是（）

A:4

B:5

C:19

D:20

答案:19

如何在監(jiān)督式學(xué)習(xí)中使用聚類算法？（）

A: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

B:在應(yīng)用監(jiān)督式學(xué)習(xí)之前，不能創(chuàng)建聚類

C:在應(yīng)用監(jiān)督式學(xué)習(xí)算法之前，不能將其類別ID作為特征空間中的一個(gè)額外的特征

D: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

答案: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

;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

下列聚類方法屬于原型聚類的是（）

A:K-Means算法

B:高斯混合聚類

C:學(xué)習(xí)向量量化LVQ

D:DBSCAN

答案:K-Means算法

;高斯混合聚類

;學(xué)習(xí)向量量化LVQ

K-Means聚類的主要缺點(diǎn)有：（）

A:聚類效果依賴于聚類中心的初始化

B:對(duì)噪音和異常點(diǎn)敏感

C:原理復(fù)雜，不容易實(shí)現(xiàn)

D:對(duì)于非凸數(shù)據(jù)集或類別規(guī)模差異太大的數(shù)據(jù)效果不好

E:K值很難確定

答案:聚類效果依賴于聚類中心的初始化

;對(duì)噪音和異常點(diǎn)敏感

;對(duì)于非凸數(shù)據(jù)集或類別規(guī)模差異太大的數(shù)據(jù)效果不好

;K值很難確定

k均值算法和"學(xué)習(xí)向量量化"都是原型聚類方法，也都屬于無監(jiān)督學(xué)習(xí)方法。（）

A:對(duì)B:錯(cuò)

答案:錯(cuò)

第十章測(cè)試

使用k=1的kNN算法,下圖二分類問題,“+”和“o”分別代表兩個(gè)類,那么,用僅拿出一個(gè)測(cè)試樣本的交叉驗(yàn)證方法,交叉驗(yàn)證的錯(cuò)誤率是（）

A:0%到100%

B:100%

C:0%

答案:100%

下列說法錯(cuò)誤的是？（）

A:利用拉格朗日函數(shù)能解帶約束的優(yōu)化問題

B:沿負(fù)梯度的方向一定是最優(yōu)的方向

C:當(dāng)目標(biāo)函數(shù)是凸函數(shù)時(shí)，梯度下降算法的解一般就是全局最優(yōu)解

D:進(jìn)行PCA降維時(shí)，需要計(jì)算協(xié)方差矩陣

答案:沿負(fù)梯度的方向一定是最優(yōu)的方向

以下哪些方法不可以直接來對(duì)文本分類？（）

A:決策樹

B:kNN

C:支持向量機(jī)

D:K-Means

答案:K-Means

下列哪些算法可以用來夠造神經(jīng)網(wǎng)絡(luò)？（）

A:選項(xiàng)中都不行

B:線性回歸

C:kNN

D:邏輯回歸

答案:線性回歸

;邏輯回歸

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？（）

A: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

B:使用PCA算法減少特征維度

C:嘗試使用在線機(jī)器學(xué)習(xí)算法

D:選項(xiàng)中都不對(duì)

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

;使用PCA算法減少特征維度

;嘗試使用在線機(jī)器學(xué)習(xí)算法

上圖中，主成分的最佳數(shù)目是多少？（）

A:30

B:20

C:無法確定

D:10

答案:30

第十一章測(cè)試

關(guān)于L1正則和L2正則下面的說法正確的是（）

A:L2正則化表示各個(gè)參數(shù)的平方和的開方值

B:L2范數(shù)可以防止過擬合，提升模型的泛化能力。但L1正則做不到這一點(diǎn)

C:L2正則化有個(gè)名稱叫“Lassoregularization”

D:L1范數(shù)會(huì)使權(quán)值稀疏

答案:L2