1. 目標變數在訓練集上的7個實際值為[1,1,1,1,0,0,0]，目標變數的熵近似值是（log3/7=-0.847,log4/7=-0.560）？
a 0.683
b -0.683
c 0.724
d -0.243
2. 關於k-means聚類演算法說法不正確的是
a 對大資料集有較高的效率並且具有可伸縮性。
b 是一種無監督學習方法。
c k值無法自動獲取，初始聚類中心隨機選擇。
d 初始聚類中心的選擇對聚類結果影響不大。
3. 下列有關svm說法不正確的是
a svm使用核函式的過程實質是進行特徵轉換的過程
b svm對線性不可分的資料有較好的分類效能
c svm因為使用了核函式，因此它沒有過擬合的風險
d svm的支援向量是少數的幾個資料點向量
4. 在機器學習中需要劃分資料集，下面方法哪個不屬於常用的劃分測試集和訓練集的方法
a 留出法
b 交叉驗證法
c 自助法
d 評分法
5. 下面關於貝葉斯分類器描述錯誤的是
a 以貝葉斯定理為基礎
b 是基於後驗概率，推導出先驗概率
c 可以解決有監督學習的問題
d 可以用極大似然估計法解貝葉斯分類器
6. em演算法（exception maximization algorithm）是機器學習領域的乙個經典演算法，下面關於em演算法的表述中不正確的有
a em演算法屬於一種分類演算法
b 如果優化的目標函式是凸函式，那麼em演算法一定能找到全域性最優解
c em演算法可以分為e-step和m-step兩步
d em演算法可用於從不完整的資料中計算最大似然估計
7. 以下不能有效解決過擬合的方法是
a 增加樣本數量
b 通過特徵選擇減少特徵數量
c 訓練更多的迭代次數
d 採用正則化方法
8. 有關機器學習分類演算法的precision和recall，以下定義中正確的是（假定tp = true positive, tn = true negative, fp = false positive, fn = false negative）
a precision= tp / (tp + fp), recall = tp / (tp + fn)
b precision = tp / (tn + fp), recall = tp /(tp + fn)
c precision = tp / (tn + fn), recall = tp /(tp + fp)
d precision = tp / (tp + fp), recall = tp /(tn + fn)
9. 下面關於機器學習的理解不正確的是
a 非監督學習的樣本資料是要求帶標籤的
b 監督學習和非監督學習的區別在於是否要求樣本資料帶標籤
c 強化學習以輸入資料作為對模型的反饋
d 卷積神經網路一般用於影象處理等區域性特徵相關的資料
10. 根據是否需要標註資料，機器學習方法可以分為有監督學習和無監督學習。監督學習中的訓練集用於
a 定量評價機器學習效能
b 估算模型
c 驗證模型
d 定性評價機器學習效能
獲取答案和詳細的答案解析：
機器學習題 含答案和解析
1.假設x公司的員工收入分布中位數為 35,000，25 和75 比例處的數值為 21,000 和 53,000。收入 1會被認為是異常值嗎？a 是 b 否 c 需要更多資訊 d 以上都不對 2.眾所周知，身高體重呈正相關。忽略圖表大小 變數被標準化了 下列兩張圖哪張更像描繪身高 x軸 體重 y軸 ...
機器學習題 含答案和解析
a 只有 1 b 只有 2 c 只有 3 2.下面哪個 些超引數的增加可能會造成隨機森林資料過擬合？1 樹的數量 2 樹的深度 3 學習速率 a 只有 1 b 有1 2 c 只有 3 d 都正確 3.下面哪一項對梯度下降 gd 和隨機梯度下降 sgd 的描述是正確的？1 在 gd 和 sgd 中，每...
機器學習題 含答案和解析
1.如下散點圖使用了邏輯回歸 黑線是決策邊界 對所有資料點進行了正確分類。若使用 high infinite regularisation 正則化無限大 時偏差會如何變化？a 偏差很大 b 偏差很小 c 不確定 d 都不是 2.假設，下圖是邏輯回歸的代價函式 現在，圖中有多少個區域性最小值？a 1 ...