機器學習技術及應用智慧樹知到期末考試答案2024年

機器學習技術及應用智慧樹知到期末考試答案2024年機器學習技術及應用邏輯回歸模型解決（）

A:聚類問題B:推理問題C:分類問題D:回歸問題答案:分類問題下列不屬于機器學習開發(fā)語言是哪個？（）

A:JavaB:RC:匯編語言D:C++答案:匯編語言支持向量機中的margin指（）

A:損失誤差B:盈利率C:保證金D:間隔答案:間隔移動運營商對客戶的流失進行預測，可以使用下面哪種機器學習方法比較合適（）

A:關聯(lián)方法B:一元線性回歸分析C:聚類算法D:多層前饋網(wǎng)絡答案:多層前饋網(wǎng)絡Numpy中向量轉(zhuǎn)成矩陣使用（）

A:arangeB:reshapeC:randomD:reval答案:arange按照學習任務，機器學習可以分為哪幾類（）

A:降維B:回歸C:分類D:聚類答案:分類;聚類;回歸;降維按照學習方式，機器學習可以分為哪幾類（）

A:監(jiān)督學習B:非監(jiān)督學習C:半監(jiān)督學習D:強化學習答案:監(jiān)督學習;非監(jiān)督學習;半監(jiān)督學習;強化學習卡內(nèi)基梅隆大學的TomMitchell教授這樣定義機器學習的：對于某類任務T和性能度量P，如果一個計算機程序在T上以P衡量的性能隨著經(jīng)驗E而自我完善，那么我們稱這個計算機程序在從經(jīng)驗E中學習。請問上面的T、P、E分別指的是（）

A:TaskB:PerformanceMeasureC:PerformanceD:Experience答案:Experience###PerformanceMeasure###Task機器學習可以應用在下列哪些應用領域（）

A:搜索引擎B:天氣預報C:商業(yè)營銷D:自動駕駛汽車答案:商業(yè)營銷###天氣預報###搜索引擎###自動駕駛汽車機器學習涉及的理論有（）

A:概率論B:統(tǒng)計學C:逼近論D:凸分析答案:概率論###統(tǒng)計學###凸分析###逼近論強化學習包含哪些元素（）

A:ActionB:AgentC:RewardD:State答案:Reward###Agent###State###Action回歸問題和分類問題都有可能發(fā)生過擬合。（）

A:對B:錯答案:對決策樹學習算法中，預留一部分數(shù)據(jù)用作“驗證集”，進行性能評估，決定是否剪枝。（）

A:錯B:對答案:對決策樹學習的目的是為了產(chǎn)生一顆泛化能力強，即處理未見示例能力強的決策樹。（）

A:錯B:對答案:對數(shù)據(jù)集一般劃分為訓練集、驗證集和測試集。訓練集用于建模、驗證集用于模型驗證與矯正、測試集用于模型的最終評估。（）

A:錯誤B:正確答案:正確邏輯回歸算法是一種廣義的線性回歸分析方法，它僅在線性回歸算法的基礎上，利用Sigmoid函數(shù)對事件發(fā)生的概率進行預測。（）

A:錯誤B:正確答案:正確最小二乘法是基于預測值和真實值得均方差最小化的方法來估計線性回歸學習器的參數(shù)w和b。（）

A:正確B:錯誤答案:正確多隱層感知機比單隱層感知機的表達能力強。（）

A:錯B:對答案:錯回歸預測的目標函數(shù)是離散值，分類預測的目標函數(shù)是連續(xù)值。（）

A:正確B:錯誤答案:錯誤大部分的機器學習工程中，數(shù)據(jù)搜集、數(shù)據(jù)清洗、特征工程這三個步驟占絕大部分時間，而數(shù)據(jù)建模占總時間比較少。（）

A:正確B:錯誤答案:正確梯度下降，就是沿著函數(shù)的梯度（導數(shù)）方向更新自變量，使得函數(shù)的取值越來越小，直至達到全局最小或者局部最小。（）

A:錯誤B:正確答案:正確給定n個數(shù)據(jù)點，如果其中一半用于訓練，另一半用于測試，則訓練誤差和測試誤差之間的差別會隨著n的增加而減小。（）

A:正確B:錯誤答案:正確回歸和分類都是監(jiān)督學習問題。（）

A:錯B:對答案:對根據(jù)腫瘤的體積、患者的年齡來判斷良性或惡性，這是一個回歸問題。（）

A:錯誤B:正確答案:錯誤最小二乘法（又稱最小平方法）是一種數(shù)學優(yōu)化技術。它通過什么的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配（）

A:最小化誤差B:最大化求和C:最大化誤差D:最大化乘積答案:AI參考:正確選項是A：最小化誤差。\n\n最小二乘法是一種數(shù)學優(yōu)化技術，通過尋找數(shù)據(jù)的最佳函數(shù)匹配來最小化誤差的平方和。這意味著它試圖找到一個函數(shù)，該函數(shù)可以盡可能地接近數(shù)據(jù)點，同時誤差的平方和最小化。這種方法廣泛應用于統(tǒng)計、工程、經(jīng)濟和生物學等領域。'以下哪個函數(shù)可以實現(xiàn)畫布的創(chuàng)建（）

A:subplots()B:figure()C:add_subplot()D:subplot2grid()答案:AI參考:正確選項是：B:figure()\n\nfigure()函數(shù)是MATLAB中的一個重要函數(shù)，用于創(chuàng)建畫布。使用該函數(shù)，可以開始新的圖形，或者在新創(chuàng)建的畫布上進行繪圖。其他的選項A,C,D都是創(chuàng)建或管理子圖的函數(shù)，而不是創(chuàng)建畫布的函數(shù)。因此，答案為B。'關于K近鄰算法說法錯誤的是（）

A:K近鄰算法是機器學習B:K近鄰算法是監(jiān)督學習C:K代表分類個數(shù)D:K的選擇對分類結(jié)果沒有影響答案:AI參考:關于K近鄰算法說法錯誤的是：D:K的選擇對分類結(jié)果沒有影響。\n\nK近鄰算法是一種基于實例的學習，也被稱為基于劃分的分類方法。它是一種監(jiān)督學習算法，通過已知的數(shù)據(jù)集進行訓練，并使用K值將數(shù)據(jù)集劃分為不同的類別。K值的選擇對分類結(jié)果是有影響的，通常需要根據(jù)實際情況選擇合適的K值以達到最好的分類效果。因此，D選項是錯誤的。其他選項都是正確的。'下列說法錯誤的是（）

A:TensorFlow是用R實現(xiàn)的，用Python封裝的。B:tensorflow時會在圖中創(chuàng)建各種節(jié)點，節(jié)點的類型分為三種。C:TensorFlow是一個采用數(shù)據(jù)流圖，用于數(shù)值計算的開源軟件庫。D:張量就是一個數(shù)據(jù)容器，它可以用來表示比如數(shù)字，向量、矩陣等基本的數(shù)據(jù)，還可以表示時間序列、圖像、視頻等復雜的數(shù)據(jù)集。答案:AI參考:正確答案是A：TensorFlow是用R實現(xiàn)的，用Python封裝的。這個說法是錯誤的。TensorFlow是一個用Python語言開發(fā)的庫，用于數(shù)值計算。它采用數(shù)據(jù)流圖的方式進行計算，可以表示各種基本的數(shù)據(jù)，如數(shù)字、向量、矩陣等，也可以表示更復雜的數(shù)據(jù)集，如時間序列、圖像、視頻等。因此，其他三個選項都是正確的。'下列描述無監(jiān)督學習錯誤的是（）

A:核心是聚類B:具有很好的解釋性C:不需要降維D:無標簽答案:AI參考:正確選項是：B：具有很好的解釋性。\n\n無監(jiān)督學習是指在沒有標簽數(shù)據(jù)的情況下，通過學習數(shù)據(jù)內(nèi)在結(jié)構(gòu)或模式來對未知數(shù)據(jù)進行分類或預測。其核心是聚類，不需要降維，無標簽，具有很好的自適應性。因此，B選項描述錯誤。'下列哪個不是Bagging的特點（）

A:只需要較少的基礎分類器B:基于Bootstrap采樣生成訓練集C:各基礎分類器并行生成D:各基礎分類器權重相同答案:AI參考:正確選項是C:各基礎分類器并行生成。\n\nBagging算法的特點包括：\n\n1.基于Bootstrap采樣生成訓練集，即重復從原始數(shù)據(jù)集中抽取樣本并生成多個訓練集。\n\n2.只需要較少的基礎分類器，即通過多個基礎分類器的組合來提高模型的性能。\n\n3.各基礎分類器權重相同，即每個基礎分類器在最終的模型中具有相同的權重。\n\n因此，選項C“各基礎分類器并行生成”不是Bagging的特點。在Bagging中，每個基礎分類器都是通過Bootstrap采樣生成的，并且具有相同的權重。因此，選項A、B和D都是Bagging的特點。'最小二乘法是求得之間差值的平方和最?。ǎ?/p>

A:預測值和最小值B:最小值和最大值C:真實值和預測值D:真實值和誤差值答案:AI參考:正確選項是【真實值和誤差值】。\n\n最小二乘法是一種數(shù)學優(yōu)化技術，它通過最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配。因此，選項D“真實值和誤差值”是正確的答案。最小二乘法是通過求得與實際觀測數(shù)據(jù)之間的差值和平方和的最小值，來找到最佳擬合曲線或模型。這樣可以有效減小誤差，提高預測的準確度。'線性回歸最小二乘法算法目標是為了求解下面哪兩個參數(shù)的值？（）

A:真實值和預測值B:樣本X值和樣本Y值C:最大值和最小值D:斜率K和截距b答案:AI參考:正確選項是D：斜率K和截距b。\n\n線性回歸最小二乘法算法是一種通過擬合一條直線來預測數(shù)據(jù)的方法，它通過最小化樣本點到擬合直線的距離的平方和來求解斜率K和截距b這兩個參數(shù)的值。通過斜率K和截距b的求解，可以建立一個線性回歸模型，用于預測樣本X值和樣本Y值之間的線性關系。因此，選項D是正確的答案。選項A、B、C與線性回歸最小二乘法算法的目標不符。'最小二乘法，求損失函數(shù)最小時，多元函數(shù)求偏導數(shù)的方法是：將其他自變量看成什么，對該自變量求偏導方法與一元函數(shù)求導數(shù)方法一致（）

A:常數(shù)B:自變量C:變量D:因變量答案:AI參考:答案為B：自變量。\n\n最小二乘法是在損失函數(shù)最小時，對多元函數(shù)求偏導數(shù)的方法。對于一元函數(shù)，求導數(shù)的方法是將自變量看作常數(shù)，但是多元函數(shù)中每個自變量都需要單獨求偏導數(shù)。因此，對于多元函數(shù)，將其他自變量看成自變量，并對這些自變量求偏導數(shù)的方法與一元函數(shù)求導數(shù)方法一致。因此，選項B是正確答案。'支持向量機的簡稱（）

A:AIB:CNNC:MLD:SVM答案:AI參考:正確選項是D:SVM。\n\n支持向量機（SVM）是一種常用的機器學習算法，用于分類、回歸和異常檢測等任務。它是一種二分類算法，通過在高維空間中找到一個超平面來將正負樣本進行區(qū)分，從而實現(xiàn)對數(shù)據(jù)的分類。因此，答案為D。'下列關于卷積神經(jīng)網(wǎng)絡說法錯誤的是（）

A:卷積神經(jīng)網(wǎng)絡模擬了人類視覺信息處理過程B:模擬大腦的視覺處理過程就是卷積神經(jīng)網(wǎng)絡的思路C:圖像的卷積、類似視覺皮層對圖像進行某種特定功能的處理D:目前網(wǎng)絡深度最深、應用最成功的深度學習模型答案:AI參考:關于卷積神經(jīng)網(wǎng)絡說法錯誤的是目前網(wǎng)絡深度最深、應用最成功的深度學習模型。雖然卷積神經(jīng)網(wǎng)絡在圖像識別、自然語言處理等領域取得了很好的效果，但是目前還沒有出現(xiàn)網(wǎng)絡深度最深、應用最成功的深度學習模型。其他選項表述都是正確的。卷積神經(jīng)網(wǎng)絡模擬了人類視覺信息處理過程，模擬大腦的視覺處理過程是卷積神經(jīng)網(wǎng)絡的思路，圖像的卷積、類似視覺皮層對圖像進行某種特定功能的處理。因此，正確答案是D。'下列算法哪些是無監(jiān)督學習算法（）

A:空間聚類B:主成分分析C:支持向量機D:Q-learning答案:AI參考:正確選項為B和D。\n\nB為主成分分析，是無監(jiān)督學習算法，它是一種降維技術，通過尋找數(shù)據(jù)中的內(nèi)在結(jié)構(gòu)關系對數(shù)據(jù)進行降維。D為Q-learning，是一種強化學習算法，主要用于學習環(huán)境中的最優(yōu)行為策略，通常是無監(jiān)督的，因為它不需要與環(huán)境進行交互以獲得獎勵信號。\n\nA為空間聚類，屬于有監(jiān)督學習算法，需要使用標記的數(shù)據(jù)進行訓練，并通過比較聚類結(jié)果與其他樣本之間的距離或相似性來進行聚類。\n\nC為支持向量機，是一種監(jiān)督學習算法，用于分類和回歸分析，通過在高維空間中尋找一個超平面來最大化分類間隔，從而將不同的樣本進行分類。'下列哪些是PCA算法可以實現(xiàn)的目的（）

A:提取特征主要成分B:數(shù)據(jù)升維C:對數(shù)據(jù)進行分類D:數(shù)據(jù)降維答案:AI參考:答案是：AD。PCA算法可以實現(xiàn)數(shù)據(jù)降維，即從原始特征空間轉(zhuǎn)換到一個新的低維空間，同時保持數(shù)據(jù)中的重要結(jié)構(gòu)信息。因此，AD選項正確。BC選項不正確，因為PCA算法主要用于特征提取和數(shù)據(jù)降維，而不是分類或數(shù)據(jù)升維。'PCA的推導可以從哪兩個角度入手（）

A:最大平方誤差理論B:最小平方誤差理論C:最大方差理論D:最小方差理論答案:AI參考:正確選項為B和D，即最小平方誤差理論和最小方差理論是PCA推導的兩個主要角度。\n\nPCA（PrincipalComponentAnalysis，主成分分析）是一種常用的數(shù)據(jù)降維方法。其推導過程通常基于兩個基本假設：一是數(shù)據(jù)在各個主成分上的投影誤差最小，二是數(shù)據(jù)在各個主成分上的投影方差最大。這兩個假設可以通過最小平方誤差理論和最小方差理論來解釋。\n\n具體來說，PCA通過最大化各個數(shù)據(jù)點在主成分上的投影方差，從而將原始數(shù)據(jù)集轉(zhuǎn)換為一組線性無關的主成分，這些主成分能夠反映原始數(shù)據(jù)集的大部分信息。在這個過程中，最小平方誤差理論用于確保投影誤差的平方和最小，而最小方差理論則用于確保投影方差最大。因此，B和D選項是正確的答案。'下列屬于強化學習的應用有哪些（）

A:無人駕駛B:機器人控制C:AlphaGoD:FlappyBird答案:AI參考:答案為A、B、C。\n\n強化學習是一種機器學習方法，主要用于通過試錯的方式學習如何做出最佳決策，適用于需要適應環(huán)境并從中學習的系統(tǒng)。以下是強化學習的幾個應用領域：\n\n*無人駕駛：無人駕駛汽車需要學習如何處理各種路況和交通情況，以便在行駛過程中做出最佳決策。\n*機器人控制：機器人需要學習如何適應不同的環(huán)境和任務，以便完成各種任務。\n*AlphaGo：AlphaGo是基于強化學習的圍棋AI，通過與人類對弈學習如何下圍棋，最終達到了人類頂尖水平。\n\n而D選項的FlappyBird是一款簡單的游戲，它主要依賴于游戲機制和用戶反饋進行學習，而不是強化學習。因此，答案為A、B、C。'下列說法正確的有（）

A:降維指減少一個數(shù)據(jù)集的變量數(shù)量，同時保證傳達信息的準確性B:聚類是將相似的東西聚在一起，并關心這些東西是什么C