Python數(shù)據(jù)分析實戰(zhàn)智慧樹知到課后章節(jié)答案2023年下魯東大學魯東大學

第一章測試

本課程特色包括

A:精析數(shù)據(jù)分析算法，培養(yǎng)數(shù)據(jù)分析意識B:嵌入Python軟件，培養(yǎng)算法落地能力C:剖析20+精彩案例，培養(yǎng)綜合實戰(zhàn)技能

答案:精析數(shù)據(jù)分析算法，培養(yǎng)數(shù)據(jù)分析意識;嵌入Python軟件，培養(yǎng)算法落地能力;剖析20+精彩案例，培養(yǎng)綜合實戰(zhàn)技能

本課程包括的知識點包括

A:Python入門B:Python數(shù)據(jù)分析高級實戰(zhàn)

C:Python基本數(shù)據(jù)分析實戰(zhàn)

答案:Python入門;Python數(shù)據(jù)分析高級實戰(zhàn)

;Python基本數(shù)據(jù)分析實戰(zhàn)

本課程的Python入門部分中您將學習到的內容包括

A:Python三劍客（numpy,pandas,matplotlib）B:Python基本編程C:Python簡介D:Python基本語法

答案:Python三劍客（numpy,pandas,matplotlib）;Python基本編程;Python簡介;Python基本語法

本課程的Python高級數(shù)據(jù)分析部分中您將學習到的內容包括

A:有監(jiān)督學習（回歸問題）B:有監(jiān)督學習（分類問題）C:無監(jiān)督學習D:高級話題

答案:有監(jiān)督學習（回歸問題）;有監(jiān)督學習（分類問題）;無監(jiān)督學習;高級話題

本課程講授六步法的基本目標是

A:落地精準B:算法清楚C:軟件熟練D:理論扎實

答案:落地精準;算法清楚;軟件熟練;理論扎實

第二章測試

下列關于Python語法敘述錯誤的是

A:Python句尾不需要分號

B:for循環(huán)中，冒號為縮進代碼塊的開始，冒號之后的所有代碼的縮進量必須相同，直到代碼塊結束C:Python使用括號組織代碼

D:Python中使用#號注釋語句

答案:Python使用括號組織代碼

下述代碼的返回結果是

deffun(k):

y=2*k+k**2

returny

print(fun(3))

A:12B:14C:13D:15

答案:15

Python語句中用于注釋代碼的符號是

A:%號B:#號C:$號D:!號

答案:#號

下述代碼返回的結果是

importnumpyasnpt=2.5868print(np.round(t,2))

A:2.60B:2.5C:2.59D:2.58

答案:2.59

下述說法錯誤的是

A:可對字典數(shù)據(jù)類型進行查、增、刪、改B:可對列表數(shù)據(jù)類型進行查、增、刪、改C:元組是一個不可變型的序列，由{}完成D:列表是一個可變型的序列，由[]完成

答案:元組是一個不可變型的序列，由{}完成

下述列表計算的結果是a=[1,11,10,10001,10001]a.append(2.5)print(a)

A:[1,11,10,10001,10001,2.5]B:[2.5,1,11,10,10001,10001]

答案:[1,11,10,10001,10001,2.5]

下述代碼返回的結果是x=-3.5ifx<0:

print(x+2)else:

print(-1*x-5)

A:1.5B:0C:-1.5

答案:-1.5

下述代碼返回的結果是

m=[2,5,4,1,3]n=[]forkinm:

t=k**2-2

n.append(t)print(n)

A:[4,25,16,1,9]B:[2,23,14,-1,7]C:[5,26,17,2,10]

答案:[2,23,14,-1,7]

第三章測試

下列不屬于數(shù)據(jù)預處理常用方法的是

A:離散變量重編碼B:異常值的發(fā)現(xiàn)與處理C:相關分析

D:缺失值的發(fā)現(xiàn)與處理

答案:相關分析

常用描述統(tǒng)計方法包括

A:數(shù)據(jù)可視化B:描述離散程度C:描述偏差和相關程度D:描述集中程度

答案:數(shù)據(jù)可視化;描述離散程度;描述偏差和相關程度;描述集中程度

下列參數(shù)類假設檢驗方法中可以用于比較3種不同教學方法之間是否存在顯著差異的是

A:配對樣本T檢驗B:獨立樣本T檢驗C:單因素方差分析

答案:單因素方差分析

可以用于直觀展示數(shù)據(jù)值的大小或變化趨勢（即比較）的可視化工具有

A:條形圖B:柱形圖C:餅圖D:折線圖

答案:條形圖;柱形圖;折線圖

按照可視化專家AndrewAbela的圖表使用建議，散點圖可以用于展示數(shù)據(jù)間的聯(lián)系。

A:錯B:對

答案:對

第四章測試

下述機器學習方法中可以用于降維的是

A:決策樹B:KNNC:Kmeans聚類D:PCA

答案:PCA

如果研究者想探討影響小麥畝產(chǎn)量的因素，采集了若干個樣本的各個指標（溫度、灌溉量、光照強度、施肥量），則下列哪種方法適合研究本問題？

A:PCAB:多元線性回歸分析C:聚類分析D:一元線性回歸

答案:多元線性回歸分析

隨機森林算法敘述正確的是

A:采用投票法(少數(shù)服從多數(shù))確定最終類別歸屬B:隨機選擇訓練樣本(行采樣)C:是一種集成學習算法D:隨機選擇部分特征(列采樣)

答案:采用投票法(少數(shù)服從多數(shù))確定最終類別歸屬;隨機選擇訓練樣本(行采樣);是一種集成學習算法;隨機選擇部分特征(列采樣)

下列關于決策樹算法的論述錯誤的是

A:條件熵H(Y|X)表示在已知特征X的條件下，類別Y的不確定性的度量B:決策樹基本思想是貪心算法，它以自頂（根節(jié)點）向下遞推生成的方式構造決策樹。C:熵可用于描述信息的不確定性或混亂程度，信息的不確定性越大則熵越大，反之越小D:ID3算法的屬性選擇度量就是使用信息增益，選擇最小信息增益的屬性作為當前節(jié)點的測試屬性。

答案:ID3算法的屬性選擇度量就是使用信息增益，選擇最小信息增益的屬性作為當前節(jié)點的測試屬性。

下列關于判別分析敘述正確的是

A:

利用已知類別的樣本建立判別模型，對未知類別的樣本進行分類B:Fishser線性判別分析（LinearDiscriminantanalysis,LDA）由R.A.Fisher于1936年提出C:是多元分析中用于判別樣本所屬類型的一種統(tǒng)計分析方法D:Fishser線性判別分析的基本思想是投影

答案:

利用已知類別的樣本建立判別模型，對未知類別的樣本進行分類;Fishser線性判別分析（LinearDiscriminantanalysis,LDA）由R.A.Fisher于1936年提出;是多元分析中用于判別樣本所屬類型的一種統(tǒng)計分析方法;Fishser線性判別分析的基本思想是投影

樸素貝葉斯分類器的基本算法步驟包括

A:比大小：計算后驗概率，歸入最大后驗概率類B:算概率：計算所有樸素貝葉斯公式中的“零部件”概率C:定問題：確定為分類（類標簽已知）問題

答案:比大小：計算后驗概率，歸入最大后驗概率類;算概率：計算所有樸素貝葉斯公式中的“零部件”概率;定問題：確定為分類（類標簽已知）問題

K最近鄰（KNN)分類器的基本算法步驟包括

A:算距離：給定測試對象，計算它與訓練集中的每個對象的距離B:找鄰居：圈定距離最近的k個訓練對象，作為測試對象的近鄰

C:做分類：根據(jù)這k個近鄰歸屬的主