《機器學習-Python實踐》試卷及答案 卷4

第1頁，共1頁一、單項選擇題（本大題共10小題，每題3分，共30分）試卷（試卷（學年第1學期）考試科目機器學習-Python實踐（A卷）適用專業(yè)班級（年級）得分命題人：審閱人：班級學號姓名考試科目裝訂線1、關于“回歸（Regression）”和“相關（Correlation）”，下列說法正確的是？注意：x是自變量，y是因變量。（）A.回歸和相關在x和y之間都是互為對稱的B.回歸和相關在x和y之間都是非對稱的C.回歸在x和y之間是非對稱的，相關在x和y之間是互為對稱的D.回歸在x和y之間是對稱的，相關在x和y之間是非對稱的2、邏輯回歸將輸出概率限定在[0,1]之間。下列哪個函數(shù)起到這樣的作用？（）A.Sigmoid函數(shù)B.tanh函數(shù)C.ReLU函數(shù)D.LeakyReLU函數(shù)3、關于兩個邏輯回歸模型中的β0、β1值，下列說法正確的是？注意：y=β0+β1*x，β0是截距，β1是權(quán)重系數(shù)。（）A.綠色模型的β1比黑色模型的β1大B.綠色模型的β1比黑色模型的β1小C.兩個模型的β1相同D.以上說法都不對4、在n維空間中（n>1），下列哪種方法最適合用來檢測異常值？（）A.正態(tài)概率圖B.箱形圖C.馬氏距離D.散點圖5、邏輯回歸與多元回歸分析有哪些不同之處？（）A.邏輯回歸用來預測事件發(fā)生的概率B.邏輯回歸用來計算擬合優(yōu)度指數(shù)C.邏輯回歸用來對回歸系數(shù)進行估計D.以上都是6、如果一個SVM模型出現(xiàn)欠擬合，那么下列哪種方法能解決這一問題？（）A.增大懲罰參數(shù)C的值B.減小懲罰參數(shù)C的值C.減小核系數(shù)（gamma參數(shù)）D.以上都不是7、我們知道二元分類的輸出是概率值。一般設定輸出概率大于或等于0.5，則預測為正類；若輸出概率小于0.5，則預測為負類。那么，如果將閾值0.5提高，例如0.6，大于或等于0.6的才預測為正類。則準確率（Precision）和召回率（Recall）會發(fā)生什么變化（多選）？（）A.準確率（Precision）增加或者不變B.準確率（Precision）減小C.召回率（Recall）減小或者不變D.召回率（Recall）增大8、集成學習策略常用于處理數(shù)值問題的是：（）A．投票法B．平均法C．學習法D．上述都有9、關于學習法表述正確的事（）A．平均法和投票法是對弱學習器的結(jié)果做平均或者投票，相對比較簡單，但是可能學習誤差較大，于是就有了學習法。B．學習法是一種更為強大的結(jié)合策略，即通過另一個學習器來進行結(jié)合。C．Stacking是學習法的典型代表。Stacking先從初級數(shù)據(jù)集訓練出初級學習器，然后“生成”一個新數(shù)據(jù)集用于訓練次級學習器。在這個新數(shù)據(jù)集中，初級學習器的輸出被當作樣例輸入特征。D．上述都對10、以下關于Bagging算法的特點描述正確的是（）A．Bagging通過降低基學習器的方差改善了泛化誤差B．bagging對樣本進行有放回的重采樣，學習結(jié)果是各個學習模型的平均值C．由于重采樣的樣本集具有相似性以及使用相同的學習器模型，因此，各學習模型的結(jié)果相近，即模型有近似相等的偏差和方差。D．以上描述都對二、判斷題（本大題共10小題，每題1分，共10分）1、矩陣的L0范數(shù)：矩陣的非0元素的個數(shù)，通常用它來表示稀疏，L0范數(shù)越小0元素越多，也就越稀疏。（）2、隨機事件X所包含的信息量與其發(fā)生的概率有關。發(fā)生的概率越小，其信息量就越小。（）3、SVM通過尋找使得訓練數(shù)據(jù)盡可能分開且分類間隔最大的超平面實現(xiàn)結(jié)構(gòu)風險最小化。（）4、logit回歸輸出的是Y屬于某一類的概率，也可以表示某事件發(fā)生的概率。（）5、P(θ|x)是在數(shù)據(jù)X的支持下，θ發(fā)生的概率：后驗概率。（）6、P(θ)是在沒有數(shù)據(jù)支持下，θ發(fā)生的概率：先驗概率。（）7、F1值定義為：F1=2PR/(P+R)。（）8、Adaboost算法流程將所有弱分類器加權(quán)求和，得到分類結(jié)果（注意是分類器權(quán)重）。（）9、集成學習通過將多個單個學習器集成/組合在一起，使它們共同完成學習任務，以達到提高預測準確率的目的。（）10、Boosting是一個順序過程，每個后續(xù)模型都會嘗試糾正先前模型的錯誤，后續(xù)的模型依賴于之前的模型。（）三、填空（本大題共10小題，每題3分，共30分）1、算法利用信息增益進行特征的選擇，信息增益反映的是給定條件后不確定性減少的程度。2、機器學習中做特征選擇時，可能用到的、、、。3、已知坐標軸中兩點A(2,?2)B(?1,2)，這兩點的曼哈頓距離（L1距離）是。4、求函數(shù)機制的方法有兩大類，分別是和。5、損失函數(shù)也叫或。6、從已有的M個特征（Feature）中選擇N個特征使得系統(tǒng)的特定指標最優(yōu)化叫。7、回歸問題對數(shù)值型連續(xù)隨機變量進行預測和建模的監(jiān)督學習算法?；貧w往往會通過計算來確定模型的精確性。8、人工神經(jīng)元模型可以看成是由3種基本元素組成，，。9、學習算法是指針對學習問題的明確規(guī)則，學習類型是由參數(shù)變化發(fā)生的形式?jīng)Q定的，不同的學習算法對神經(jīng)元的權(quán)值調(diào)整的表達式是不同的。人工神經(jīng)網(wǎng)絡常用的算法有，，。10、在最基本的BP算法中，學習率在整個訓練過程是保持不變的，學習率過，算法可能振蕩而不穩(wěn)定；學習率過，則收斂速度慢，訓練時間。四、簡答題（本大題共3小題，共30分）1、簡單介紹下Logistics回歸。？2、常見的分類算法有哪些？3、機器學習能解決哪些問題?每一類使用的常用方法有哪些?舉例說明其應用？一、選擇題1.C 2.A 3.B 4.C 5.D 6.A 7.AC 8.B 9.D 10.D二、判斷題1.對 2.錯 3.對 4.對 5.對 6.對 7.對 8.對 9.對 10.對三、填空題1.ID3 2.卡方信息增益平均互信息期望交叉熵 3.7 4.解析解（閉式解）數(shù)值解 5.代價函數(shù)目標函數(shù) 6.特征選擇 7.誤差（Error） 8.一組連接一個加法器一個激活函數(shù) 9.有監(jiān)督Hebb算法單層感知器梯度LMS算法 10.大小長四、簡答題1、答：Logistic回歸目的是從特征學習出一個0/1分類模型，而這個模型是將特性的線性組合作為自變量，由于自變量的取值范圍是負無窮到正無窮。因此，使用logistic函數(shù)（或稱作sigmoid