機(jī)器學(xué)習(xí)理論與方法智慧樹知到期末考試答案2024年

機(jī)器學(xué)習(xí)理論與方法智慧樹知到期末考試答案2024年機(jī)器學(xué)習(xí)理論與方法已知在所有男子中有5%是色盲，在所有女子中有0.25%是色盲，隨機(jī)抽一個(gè)人人發(fā)現(xiàn)患色盲癥，問其是男子的概率是多少（）。

A:0.25%B:5%C:50%D:95%答案:95%協(xié)同過濾算法的特點(diǎn)是其特征量和數(shù)據(jù)比較多。（）

A:錯(cuò)誤B:正確答案:正確我們應(yīng)該選擇熵減最小的屬性作為目前節(jié)點(diǎn)的劃分屬性。（）

A:錯(cuò)誤B:正確答案:錯(cuò)誤最近鄰算法中，只能用歐氏距離來計(jì)算樣本之間的距離。（）

A:錯(cuò)B:對(duì)答案:錯(cuò)沒辦法使用精確度來衡量聚類分析的好壞。（）

A:錯(cuò)誤B:正確答案:正確半監(jiān)督學(xué)習(xí)可以借助于無標(biāo)簽數(shù)據(jù)進(jìn)行學(xué)習(xí)。（）

A:錯(cuò)誤B:正確答案:正確熵是一種用來描述物體混亂程度和不確定性的度量，可以用來量化屬性的純度。（）

A:正確B:錯(cuò)誤答案:正確最近鄰算法的核心思想是“如果兩個(gè)樣本靠的近，那么它們的標(biāo)簽也相同”。（）

A:錯(cuò)誤B:正確答案:正確基于內(nèi)容的推薦系統(tǒng)中,如果我們既沒有電影的特征，也沒有用戶的特征，可以通過協(xié)同過濾的方法同時(shí)學(xué)習(xí)這兩者。（）

A:正確B:錯(cuò)誤答案:正確如果所選變量間具備較強(qiáng)相關(guān)性，那么不適合進(jìn)行因子分析。（）

A:錯(cuò)誤B:正確答案:錯(cuò)誤最近鄰算法也需要訓(xùn)練過程。（）

A:正確B:錯(cuò)誤答案:錯(cuò)誤核函數(shù)是一個(gè)相似度函數(shù)。（）

A:錯(cuò)誤B:正確答案:正確同等情況下，大模型一定要比小模型效果更好。（）

A:正確B:錯(cuò)誤答案:錯(cuò)誤Boosting集成傾向于減少偏差。（）

A:正確B:錯(cuò)誤答案:正確決策樹是基于規(guī)則的樹狀結(jié)構(gòu)的算法，可解釋性較強(qiáng)。（）

A:錯(cuò)誤B:正確答案:正確最近鄰算法的一個(gè)重要問題是k值如何選擇。（）

A:正確B:錯(cuò)誤答案:正確決策樹模型是利用層級(jí)節(jié)點(diǎn)對(duì)數(shù)據(jù)進(jìn)行分類的模型。（）

A:正確B:錯(cuò)誤答案:正確基于CharRNN的生成，本質(zhì)上也是一種預(yù)測(cè)任務(wù)。（）

A:錯(cuò)誤B:正確答案:正確線性分子表示方式，如SMILES，包含了分子的全部信息，并能直觀地展示出分子的結(jié)構(gòu)。（）

A:錯(cuò)誤B:正確答案:錯(cuò)誤偏差-方差分解可以用來判斷模型是否過擬合。()

A:正確B:錯(cuò)誤答案:正確single-cellRNA-seq數(shù)據(jù)具有高通量的特點(diǎn)，對(duì)計(jì)算復(fù)雜度高的算法是一個(gè)巨大的挑戰(zhàn)。（）

A:錯(cuò)誤B:正確答案:正確邏輯回歸主要用來解決分類問題。()

A:錯(cuò)誤B:正確答案:正確樸素貝葉斯有超參數(shù)可以調(diào)節(jié)，方便提高準(zhǔn)確度。（）

A:正確B:錯(cuò)誤答案:錯(cuò)誤線性SVM模型不需要交叉驗(yàn)證進(jìn)行參數(shù)的最優(yōu)選擇。（）

A:錯(cuò)誤B:正確答案:錯(cuò)誤在異常值檢測(cè)中，對(duì)于不符合高斯分布的特征，我們需要將其轉(zhuǎn)化為高斯分布。（）

A:錯(cuò)誤B:正確答案:正確基于內(nèi)容的推薦系統(tǒng)的目標(biāo)是，找到一個(gè)參數(shù)，使得收益函數(shù)的收益總和達(dá)到最大。（）

A:正確B:錯(cuò)誤答案:正確一個(gè)硬幣，投擲10次，7次正面，3次反面，則最大似然估計(jì)此硬幣扔一次，正面的概率是多少（）。

A:0.5B:無法計(jì)算C:0.7D:0.3答案:AI參考:正確答案是C：0.7。\n根據(jù)題意，硬幣正面出現(xiàn)的概率大于反面出現(xiàn)的概率，因此最大似然估計(jì)此硬幣扔一次，正面的概率是7/10=0.7。因此，選項(xiàng)C是正確答案。選項(xiàng)A和D都與題意不符，選項(xiàng)B則無法計(jì)算。'假設(shè)有一個(gè)二分類問題，數(shù)據(jù)量比每一個(gè)樣本的特征要少，則以下哪一個(gè)核函數(shù)更加適用SVM（）。

A:高次多項(xiàng)式核函數(shù)B:二次核函數(shù)C:線性核函數(shù)D:徑向基核函數(shù)答案:AI參考:正確選項(xiàng)是【D:徑向基核函數(shù)】。\n\n在二分類問題中，如果數(shù)據(jù)量比每一個(gè)樣本的特征要少，那么需要選擇一個(gè)能夠更好地利用樣本間信息的核函數(shù)。徑向基核函數(shù)是一種常用的核函數(shù)，它能夠?qū)颖居成涞礁呔S空間，并利用樣本間的距離來計(jì)算相似度，從而更好地發(fā)現(xiàn)樣本間的關(guān)系。因此，在數(shù)據(jù)量比特征量少的情況下，徑向基核函數(shù)更加適用SVM。其他選項(xiàng)中，高次多項(xiàng)式核函數(shù)和二次核函數(shù)通常需要更多的特征量才能更好地利用樣本間的信息，而線性核函數(shù)則過于簡(jiǎn)單，無法充分利用樣本間的信息。'以下哪種任務(wù)最適合于深度學(xué)習(xí)（）。

A:根據(jù)今年某地醫(yī)院的流行病報(bào)告對(duì)未來一年的流行病進(jìn)行預(yù)測(cè)B:根據(jù)病人的家族病史預(yù)測(cè)病人患某遺傳病的概率C:根據(jù)病人的身高、體重、體脂含量等指標(biāo)評(píng)估病人的健康程度D:根據(jù)病理切片數(shù)據(jù)判斷病人是否患有某種疾病答案:AI參考:正確答案是D:根據(jù)病理切片數(shù)據(jù)判斷病人是否患有某種疾病。\n\n深度學(xué)習(xí)是一種機(jī)器學(xué)習(xí)技術(shù)，主要用于處理和識(shí)別大量的、復(fù)雜的、非線性的數(shù)據(jù)。病理切片數(shù)據(jù)是一種非線性的、高維度的數(shù)據(jù)，非常適合于深度學(xué)習(xí)技術(shù)進(jìn)行處理和識(shí)別。因此，選項(xiàng)D是最適合于深度學(xué)習(xí)的任務(wù)。選項(xiàng)A、B、C雖然也涉及到數(shù)據(jù)分析和預(yù)測(cè)，但它們的數(shù)據(jù)相對(duì)簡(jiǎn)單，不適合深度學(xué)習(xí)技術(shù)。'如何提高模型復(fù)雜度（）。

A:減少神經(jīng)元個(gè)數(shù)B:增大學(xué)習(xí)率C:減少數(shù)據(jù)量D:增加網(wǎng)絡(luò)層數(shù)答案:AI參考:正確答案是【D:增加網(wǎng)絡(luò)層數(shù)】。\n\n提高模型復(fù)雜度，就是使模型結(jié)構(gòu)變得更復(fù)雜?？梢酝ㄟ^增加神經(jīng)網(wǎng)絡(luò)層的數(shù)量來提高模型復(fù)雜度。同時(shí)需要注意，增加網(wǎng)絡(luò)層數(shù)可能會(huì)帶來過擬合的風(fēng)險(xiǎn)，因此需要結(jié)合其他優(yōu)化方法如正則化等來防止過擬合。而減少神經(jīng)元個(gè)數(shù)、增大學(xué)習(xí)率和減少數(shù)據(jù)量都會(huì)使模型變得簡(jiǎn)單，不符合提高模型復(fù)雜度的目的。因此，選項(xiàng)D“增加網(wǎng)絡(luò)層數(shù)”是正確的答案。'假設(shè)把癌癥病人判為正常人的誤判損失是100，把正常人判為癌癥病人的誤判損失是10，把感冒病人判為癌癥的誤判損失是8，即L（正常|癌癥）=100，L（癌癥|正常）=10，L(癌癥|感冒)=8，現(xiàn)在，我們經(jīng)過計(jì)算知道有一個(gè)來體檢的員工的后驗(yàn)概率分別為：p(正常|各項(xiàng)指標(biāo))=0.2，p(感冒|各項(xiàng)指標(biāo))=0.4,p（癌癥|各項(xiàng)指標(biāo))=0.4。將這個(gè)員工判為癌癥的條件風(fēng)險(xiǎn)為（）。

A:24B:3.2C:5.2D:27.2答案:AI參考:根據(jù)題目所給的信息，我們可以使用貝葉斯公式來計(jì)算將這個(gè)員工判為癌癥的條件風(fēng)險(xiǎn)。已知p(正常|各項(xiàng)指標(biāo))=0.2，p(感冒|各項(xiàng)指標(biāo))=0.4，p(癌癥|各項(xiàng)指標(biāo))=0.4。那么，將這個(gè)員工判為癌癥的條件風(fēng)險(xiǎn)為：\r\n\r\nL(癌癥|各項(xiàng)指標(biāo))=L(癌癥|正常)×p(正常|各項(xiàng)指標(biāo))+L(癌癥|感冒)×p(感冒|各項(xiàng)指標(biāo))\r\n\r\n=10×0.2+8×0.4=3.2\r\n\r\n因此，答案為B，即3.2。'召回率(Recall)如何計(jì)算（）

A:2*TP?(2*TP+FP+FN)B:TP?(FP+FN)C:TP?(TP+FN)D:TP?(TP+FP)答案:AI參考:正確答案是【B:TP?(FP+FN)】。\n\n召回率(Recall)是用來衡量系統(tǒng)識(shí)別準(zhǔn)確性的指標(biāo)，計(jì)算公式為：召回率=TP/(TP+FP+FN)，其中TP表示正類中被正確識(shí)別的樣本數(shù)，F(xiàn)P表示負(fù)類中被誤判為正類的樣本數(shù)，F(xiàn)N表示負(fù)類中被正確忽略的樣本數(shù)。選項(xiàng)B就是正確的計(jì)算公式。選項(xiàng)A和D沒有考慮漏檢的樣本，選項(xiàng)C中TP被錯(cuò)誤放在分母，故錯(cuò)誤。'某人向靶心重復(fù)獨(dú)立的射擊了4次，每次命中目標(biāo)的概率為0.7，則此人能命中兩次的概率（）

A:0.21B:0.09C:0.49D:0.2646答案:AI參考:答案：B\n推理過程：某人向靶心重復(fù)獨(dú)立的射擊了4次，每次命中目標(biāo)的概率為0.7，即此人不中靶的概率都是0.3，此題所求的概率等于在四次不中靶的條件下能命中兩次的概率，故其概率為1減去四次都中靶的概，即(1-0.7)的4次方乘以兩次命中目標(biāo)的概率等于(0.3)的4次方乘以(0.7)的兩次方，即(0.3)的4次方乘以(0.7)的兩次方等于0.09。因此，正確答案為B。'聚類分析算法在什么時(shí)候停止？（）

A:重復(fù)十次迭代以后B:使得組間距離達(dá)到最大的時(shí)候C:中心點(diǎn)不再變多的時(shí)候D:組內(nèi)距離最小的時(shí)候答案:AI參考:正確選項(xiàng)是D:組內(nèi)距離最小的時(shí)候。\n\n聚類分析的目標(biāo)是將數(shù)據(jù)劃分為幾個(gè)不同的群體，使得同一群體內(nèi)的數(shù)據(jù)點(diǎn)盡可能接近，而不同群體之間的數(shù)據(jù)點(diǎn)盡可能遠(yuǎn)離。因此，當(dāng)聚類算法將數(shù)據(jù)點(diǎn)劃分到不同的群體中，并且每個(gè)群體內(nèi)部的距離最小，即達(dá)到了聚類的目標(biāo)。此時(shí)，聚類算法可以停止運(yùn)行。因此，選項(xiàng)D“組內(nèi)距離最小的時(shí)候”是正確的停止聚類分析算法的時(shí)機(jī)。選項(xiàng)A、B、C都不是正確的停止時(shí)機(jī)，因?yàn)樗鼈儧]有考慮到聚類分析的目標(biāo)和原則。'模型蒸餾中，訓(xùn)練student模型的數(shù)據(jù)，其label來源于（）。

A:經(jīng)過歸一化的真實(shí)數(shù)據(jù)labelB:真實(shí)數(shù)據(jù)的label+teacher模型的輸出C:真實(shí)數(shù)據(jù)的labelD:teacher模型的輸出答案:AI參考:正確選項(xiàng)是C：真實(shí)數(shù)據(jù)的label。\n\n在模型蒸餾中，訓(xùn)練student模型的數(shù)據(jù)的label應(yīng)該是真實(shí)數(shù)據(jù)的label，因?yàn)檎麴s模型的目標(biāo)是復(fù)制原始模型的性能，而原始模型的label是真實(shí)數(shù)據(jù)的label。經(jīng)過歸一化的真實(shí)數(shù)據(jù)label或真實(shí)數(shù)據(jù)的label+teacher模型的輸出可能影響原始數(shù)據(jù)的分布，從而導(dǎo)致模型性能下降。teacher模型的輸出通常是用于優(yōu)化和調(diào)整學(xué)生模型的參數(shù)。因此，答案為C。'Inception中的1*1卷積的作用是（）。

A:使模型更“寬”B:有效提高模型性能C:對(duì)齊尺寸D:降維，降低模型參數(shù)量答案:AI參考:在Inception中的1*1卷積主要作用是降維，降低模型參數(shù)量。這種卷積核的特殊之處在于它只對(duì)輸入圖像的一部分進(jìn)行卷積，從而減少了參數(shù)的數(shù)量，同時(shí)保留了重要的特征信息。這種設(shè)計(jì)使得模型在保持高性能的同時(shí)，參數(shù)量大大減少，從而提高了模型的效率和可擴(kuò)展性。因此，正確答案是D：降維，降低模型參數(shù)量。'假設(shè)從醫(yī)院中采集了100個(gè)病人的轉(zhuǎn)錄組測(cè)序數(shù)據(jù)，其中轉(zhuǎn)錄組測(cè)序數(shù)據(jù)測(cè)量了1000個(gè)重要基因的表達(dá)量，模型用上述數(shù)據(jù)學(xué)習(xí)對(duì)病人的類型進(jìn)行劃分，則以下哪些描述是錯(cuò)誤的？（）

A:該問題屬于無監(jiān)督問題B:該問題中特征的維度為1000C:該問題中特征的維度為100D:該問題中一共有100個(gè)樣本E:該問題屬于自監(jiān)督問題F:該問題中一共有1000個(gè)樣本答案:AI參考:正確選項(xiàng)為：E\n\n該問題屬于無監(jiān)督問題，特征的維度為1000，樣本的數(shù)量為100個(gè)，樣本中包含基因表達(dá)量數(shù)據(jù)。該問題屬于基因表達(dá)量數(shù)據(jù)特征的學(xué)習(xí)問題，即根據(jù)基因表達(dá)量的數(shù)據(jù)對(duì)病人類型進(jìn)行劃分，屬于無監(jiān)督學(xué)習(xí)問題。特征的維度是指模型需要學(xué)習(xí)分析的數(shù)據(jù)特征的數(shù)量，在這個(gè)問題中，特征的維度為1000，因?yàn)檗D(zhuǎn)錄組測(cè)序數(shù)據(jù)測(cè)量了1000個(gè)重要基因的表達(dá)量。樣本的數(shù)量為100個(gè)，因?yàn)閺尼t(yī)院中采集了100個(gè)病人的轉(zhuǎn)錄組測(cè)序數(shù)據(jù)。因此，選項(xiàng)E是錯(cuò)誤的，其他選項(xiàng)都是正確的。'下面哪些關(guān)于K-means和GMM兩種聚類算法的說法是正確的？（）

A:K-means屬于無監(jiān)督學(xué)習(xí)，GMM屬于半監(jiān)督學(xué)習(xí)。B:K-means屬于hardClustering，GMM屬于softClusteringC:K-means每個(gè)點(diǎn)只分配到一個(gè)類，而GMM可以分配到多個(gè)類中。D:由于協(xié)方差為單位矩陣，故K-means聚類的形狀是圓形的，而GMM是橢圓型的。答案:AI參考:正確選項(xiàng)為：\n\nB:K-means屬于hardClustering，GMM屬于softClustering\nC:K-means每個(gè)點(diǎn)只分配到一個(gè)類，而GMM可以分配到多個(gè)類中。\n\n解釋如下：\n\nA選項(xiàng)中，K-means和GMM都屬于無監(jiān)督學(xué)習(xí)，不屬于半監(jiān)督學(xué)習(xí)。\n\nD選項(xiàng)中，K-means和GMM聚類的形狀與協(xié)方差矩陣沒有直接關(guān)系，聚類的形狀主要取決于數(shù)據(jù)本身的分布和聚類算法的參數(shù)設(shè)置。\n\nK-means是一種硬聚類算法，每個(gè)數(shù)據(jù)點(diǎn)只屬于一個(gè)類別；而GMM是一種軟聚類算法，允許數(shù)據(jù)點(diǎn)屬于多個(gè)類別。'如何保證集成學(xué)習(xí)的異質(zhì)性（）。

A:不同的模型算法B:不同的損失函數(shù)C:從訓(xùn)練數(shù)據(jù)中采樣不同的子集進(jìn)行訓(xùn)練D:不同的學(xué)習(xí)率答案:AI參考:正確選項(xiàng)是【ABCD】：\n\n要保證集成學(xué)習(xí)的異質(zhì)性，需要從以下四個(gè)方面入手：\n\n1.不同的模型算法：集成學(xué)習(xí)通常使用不同的模型算法來構(gòu)建集成模型，這樣可以增加模型的多樣性，提高模型的魯棒性和泛化能力。\n\n2.不同的損失函數(shù)：在訓(xùn)練集成模型時(shí)，可以使用不同的損失函數(shù)來優(yōu)化不同的模型參數(shù)，這樣可以增加模型的多樣性，提高模型的性能。\n\n3.從訓(xùn)練數(shù)據(jù)中采樣不同的子集進(jìn)行訓(xùn)練：這樣可以保證每個(gè)模型都有不同的訓(xùn)練數(shù)據(jù)，從而增加模型的多樣性。\n\n4.不同的學(xué)習(xí)率：學(xué)習(xí)率是優(yōu)化算法中的一個(gè)重要參數(shù)，不同的學(xué)習(xí)率可能會(huì)影響模型的訓(xùn)練過程和最終性能。在集成學(xué)習(xí)中，可以使用不同的學(xué)習(xí)率來訓(xùn)練不同的模型，從而增加模型的多樣性。\n\n因此，正確答案是ABCD，這四個(gè)因素都需要考慮到，才能保證集成學(xué)習(xí)的異質(zhì)性。'以下哪些是SVM的應(yīng)用（）。

A:圖像分類B:癌癥預(yù)后預(yù)測(cè)C:文本與超文本分類答案:AI參考:正確選項(xiàng)為：A:圖像分類，C:文本與超文本分類。\n\nSVM是一種支持向量機(jī)分類器，主要用于分類任務(wù)，特別是對(duì)于小樣本數(shù)據(jù)和二分類問題效果較好。SVM可以應(yīng)用于圖像分類、文本分類等任務(wù)。因此，選項(xiàng)A和C都是SVM的應(yīng)用場(chǎng)景。而選項(xiàng)B癌癥預(yù)后預(yù)測(cè)是一個(gè)醫(yī)學(xué)應(yīng)用場(chǎng)景，需要更復(fù)雜的算法和技術(shù)支持，SVM可能不是最佳選擇。'以下哪些方法可以降低過擬合（）

A:正則化B:減少模型復(fù)雜度C:增加特征數(shù)量D:增加訓(xùn)練數(shù)據(jù)量答案:AI參考:正確選項(xiàng)為：A:正則化B:減少模型復(fù)雜度\n\n減少模型復(fù)雜度和正則化是常用的方法來降低過擬合。而增加特征數(shù)量、增加訓(xùn)練數(shù)據(jù)量則可能導(dǎo)致欠擬合或過擬合。\n\n正則化方法可以控制模型復(fù)雜度，通過添加L1、L2等懲罰項(xiàng)來控制模型的復(fù)雜度，避免過擬合。而減少模型復(fù)雜度可以通過簡(jiǎn)化模型結(jié)構(gòu)，如減少層數(shù)、減少節(jié)點(diǎn)數(shù)等方式來實(shí)現(xiàn)。這兩種方法都能有效地降低過擬合風(fēng)險(xiǎn)。\n\n特征數(shù)量和訓(xùn)練數(shù)據(jù)量對(duì)過擬合的影響是相對(duì)的。增加特征數(shù)量可能會(huì)增加模型的復(fù)雜性，進(jìn)而增加過擬合的風(fēng)險(xiǎn)；而增加訓(xùn)練數(shù)據(jù)量可以提供更多的信息，有助于減少過擬合，但也需要考慮數(shù)據(jù)的質(zhì)量和多樣性。因此，選項(xiàng)C和D在某些情況下可能會(huì)適得其反。'以下對(duì)于最近鄰算法描述正確的有（）。

A:能很好的處理樣本標(biāo)簽不平衡問題B:預(yù)測(cè)過程復(fù)雜度低C:核心思想非常直觀，可解釋性好D:不需要訓(xùn)練過程答案:AI參考:以下對(duì)于最近鄰算法描述正確的有：A、C\n\n最近鄰算法是一種基于距離的分類算法，它的核心思想是：如果一個(gè)樣本在特征空間中的某一點(diǎn)附近，那么它也應(yīng)該是某個(gè)類的樣本。該算法根據(jù)數(shù)據(jù)在特征空間中的分布，為每個(gè)類別找出最近鄰樣本，從而對(duì)新樣本進(jìn)行分類。最近鄰算法的特點(diǎn)是：對(duì)于每個(gè)類別只找最近鄰，而不是所有的樣本，因此其預(yù)測(cè)過程復(fù)雜度較低。同時(shí)，由于該算法是基于距離的，因此對(duì)于樣本標(biāo)簽不平衡問題也能很好的處理。\n\n然而，最近鄰算法需要手動(dòng)選擇最近鄰的標(biāo)準(zhǔn)，這可能會(huì)影響算法的準(zhǔn)確性和效率。此外，由于該算法是基于距離的，因