機器學習題含答案和解析

1. 假設我們有乙個資料集，在乙個深度為 6 的決策樹的幫助下，它可以使用 100% 的精確度被訓練。現在考慮一下兩點，並基於這兩點選擇正確的選項。

注意：所有其他超引數是相同的，所有其他因子不受影響。

1.深度為 4 時將有高偏差和低方差

2.深度為 4 時將有低偏差和低方差

a 只有 1

b 只有 2

c 1 和 2

d 沒有乙個

2. 為了得到和 svd 一樣的投射（projection），你需要在 pca 中怎樣做？

a 將資料轉換成零均值

b 將資料轉換成零中位數

c 無法做到

3. 給定三個變數 x，y，z。(x, y)、(y, z) 和 (x, z) 的 pearson 相關性係數分別為 c1、c2 和 c3。現在 x 的所有值加 2（即 x+2），y 的全部值減 2（即 y-2），z 保持不變。那麼運算之後的 (x, y)、(y, z) 和 (x, z) 相關性係數分別為 d1、d2 和 d3。現在試問 d1、d2、d3 和 c1、c2、c3 之間的關係是什麼？

a d1= c1, d2 < c2, d3 > c3

b d1 = c1, d2 > c2, d3 > c3

c d1 = c1, d2 > c2, d3 < c3

d d1 = c1, d2 < c2, d3 < c3

e d1 = c1, d2 = c2, d3 = c3

4. 最出名的降維演算法是 pca 和 t-sne。將這兩個演算法分別應用到資料「x」上，並得到資料集「x_projected_pca」，「x_projected_tsne」。下面哪一項對「x_projected_pca」和「x_projected_tsne」的描述是正確的？

a x_projected_pca 在最近鄰空間能得到解釋

b x_projected_tsne 在最近鄰空間能得到解釋

c 兩個都在最近鄰空間能得到解釋

d 兩個都不能在最近鄰空間得到解釋

5. 下面哪個/些選項對 k 折交叉驗證的描述是正確的？

1.增大 k 將導致交叉驗證結果時需要更多的時間

2.更大的 k 值相比於小 k 值將對交叉驗證結構有更高的信心

3.如果 k=n，那麼其稱為留一交叉驗證，其中 n 為驗證集中的樣本數量

a 1 和 2

b 2 和 3

c 1 和 3

d 1、2 和 3

6. 下面對整合學習模型中的弱學習者描述錯誤的是？

a 他們經常不會過擬合

b 他們通常帶有高偏差，所以其並不能解決複雜學習問題

c 他們通常會過擬合

7. 如果在乙個高度非線性並且複雜的一些變數中, 乙個樹模型可能比一般的回歸模型效果更好. 這是（）

a 對的

b 錯的

8. 當我們構造線性模型時, 我們注意變數間的相關性. 在相關矩陣中搜尋相關係數時, 如果我們發現3對變數的相關係數是(var1 和var2, var2和var3, var3和var1)是-0.98, 0.45, 1.23 . 我們可以得出什麼結論:

1. var1和var2是非常相關的

2. 因為var1和var2是非常相關的, 我們可以去除其中乙個

3. var3和var1的1.23相關係數是不可能的

a 1 and 3

b 1 and 2

c 1,2 and 3

d 1

9. 對於線性回歸，下面哪些說法是正確的？

1. 找到離群點很重要, 因為線性回歸對離群點很敏感

2. 線性回歸要求所有變數必須符合正態分佈

3. 線性回歸假設資料沒有多重線性相關性

a 1 和 2

b 2 和 3

c 1,2 和 3

d 以上都不是

10. 對於下面三個模型的訓練情況，下面說法正確的是:

1. 第一張圖的訓練錯誤與其餘兩張圖相比，是最大的

2. 最後一張圖的訓練效果最好，因為訓練錯誤最小

3. 第二張圖比第一和第三張圖魯棒性更強，是三個裡面表現最好的模型

4. 第三張圖相對前兩張圖過擬合了

5. 三個圖表現一樣，因為我們還沒有測試資料集

a 1 和 3

b 2 和 3

c 1, 3 和 4

d 5

獲取答案和詳細的答案解析：

機器學習題 含答案和解析

機器學習題 含答案和解析

機器學習題 含答案和解析

機器學習題 含答案和解析

相關推薦

機器學習題含答案和解析

機器學習題含答案和解析

機器學習題含答案和解析

機器學習題含答案和解析