機器學習與大數據算法基礎知到智慧樹章節測試課后答案2024年秋重慶理工大學第一章單元測試

K近鄰算法(KNN)的工作原理是什么？（）

A:通過支持向量機進行分類B:使用決策樹分類C:計算測試點與所有訓練點之間的距離，并選取最近的K個點進行投票或平均D:基于網絡的深度學習

答案:計算測試點與所有訓練點之間的距離，并選取最近的K個點進行投票或平均在K近鄰算法中，以下哪個是常用的距離度量方法？（）

A:歐氏距離和曼哈頓距離B:歐氏距離C:曼哈頓距離D:余弦相似度

答案:歐氏距離和曼哈頓距離在使用K近鄰算法進行分類時，如何處理數據集中的缺失值？（）

A:忽略包含缺失值的特征B:用特征的平均值替換缺失值C:其他選項所述方法都可以使用D:刪除包含缺失值的數據點

答案:其他選項所述方法都可以使用對于一個給定的數據集，選擇K近鄰算法中的K值的最佳方法是？（）

A:通過交叉驗證選擇K值B:總是選擇數據集中的項數作為K值C:選擇一個隨機的K值D:使用一個固定的K值，如K=5

答案:通過交叉驗證選擇K值在KNN算法中，如果K=1，下列說法正確的是？（）

A:K的值不影響算法的性能B:模型不會受到異常值的影響C:模型將具有最高的偏差和最低的方差D:模型將具有最低的偏差和最高的方差

答案:模型將具有最低的偏差和最高的方差

第二章單元測試

多元線性回歸中的“線性”是指什么是線性的（）

A:回歸系數B:自變量C:因變量D:誤差

答案:回歸系數線性回歸方程中，回歸系數為負數，表明自變量與因變量為（）

A:不相關B:正相關C:顯著相關D:負相關

答案:負相關下列關于線性回歸的說法不正確的是（）

A:線性回歸的曲線擬合已知數據且很好地預測未知數據。B:回歸用于預測輸入變量和輸出變量之間的關系C:線性回歸是目標值預期是輸入變量的線性組合D:線性模型形式一般極其復雜

答案:線性模型形式一般極其復雜邏輯回歸模型主要用來做回歸任務（）

A:錯B:對

答案:錯邏輯回歸模型可以解決線性不可分問題。（）

A:對B:錯

答案:錯

第三章單元測試

在決策樹算法中，節點分裂的最佳屬性選擇是基于什么標準？（）

A:最大信息增益B:最大距離度量C:隨機選擇D:最小歐氏距離

答案:最大信息增益隨機森林算法減少過擬合的機制是什么？（）

A:增加更多的特征B:降低樹的深度C:通過交叉驗證選擇最佳單一模型D:構建多個決策樹并進行平均或多數投票

答案:構建多個決策樹并進行平均或多數投票在隨機森林中，增加樹的數量對模型的影響是？（）

A:增加計算復雜度，可能提高模型的精確度B:直接減少模型的方差C:顯著降低模型的偏差D:增加計算復雜度，可能提高模型的精確度；直接減少模型的方差

答案:增加計算復雜度，可能提高模型的精確度；直接減少模型的方差在構建隨機森林時，如何確保樹之間的多樣性？（）

A:在每個決策節點使用所有可用的特征進行分裂B:對每棵樹使用相同的參數設置C:對每棵樹使用所有可用的特征D:為每棵樹使用不同的訓練數據

答案:為每棵樹使用不同的訓練數據關于隨機森林和決策樹的性能比較，以下說法正確的是？（）

A:隨機森林總是優于單一決策樹，因為它減少了方差B:單一決策樹在所有情況下都比隨機森林模型更準確C:決策樹的訓練時間比隨機森林短，因為它只構建一個樹模型D:隨機森林不能處理高維數據，而決策樹可以

答案:決策樹的訓練時間比隨機森林短，因為它只構建一個樹模型

第四章單元測試

樸素貝葉斯模型是一種用于分類的機器學習算法。它基于哪個概率理論？（）

A:歐幾里得算法B:馬爾可夫鏈C:貝葉斯定理D:中心極限定理

答案:貝葉斯定理樸素貝葉斯模型的核心思想是基于哪個概率假設？（）

A:特征之間線性相關B:特征之間相互獨立C:特征之間高度相關D:特征之間隨機分布

答案:特征之間相互獨立樸素貝葉斯模型在哪些領域中常被應用？（）

A:推薦系統B:自然語言處理C:其他三個選項均是D:圖像識別

答案:其他三個選項均是樸素貝葉斯模型適用于多類別分類問題。（）

A:錯B:對

答案:對樸素貝葉斯模型是一種生成模型。（）

A:對B:錯

答案:對

第五章單元測試

人工神經網絡一定包含一個輸出層和多個隱藏層。（）

A:對B:錯

答案:錯下面不屬于人工神經網絡的是（）

A:卷積神經網絡B:循環神經網絡C:深度學習網絡D:網絡森林

答案:網絡森林神經網絡訓練算法按照學習方式可分為（）

A:跟隨學習B:無導師學習C:自主學習D:有導師學習

答案:無導師學習；有導師學習以下關于感知器說法錯誤的是（）

A:感知器無法處理線性不可分問題B:可為感知器的輸出值設置閾值使其用于處理分類問題C:感知器是最簡單的前饋式人工神經網絡D:感知器可以用于處理大部分的分類問題

答案:感知器可以用于處理大部分的分類問題有關BP神經網絡的說法，錯誤的是（）

A:隱藏層的個數及隱藏層神經元的數量選取缺乏理論指導B:學習效率低，收斂速度慢C:訓練時新樣本的加入對已經學習的樣本沒有影響D:易陷入局部極小值

答案:訓練時新樣本的加入對已經學習的樣本沒有影響

第六章單元測試

在SVM支持向量機中,margin的含義是（）

A:幅度B:間隔C:損失誤差D:差額

答案:間隔SVM原理描述不正確的是（）。

A:當訓練數據近似線性可分時,引入松弛變量,通過軟間隔最大化,學習一個線性分類器,即線性支持向量機B:SVM的基本模型是在特征空間中尋找間隔最小化的分離超平面的線性分類器C:當訓練樣本線性可分時,通過硬間隔最大化,學習一個線性分類器,即線性可分支持向量機D:當訓練數據線性不可分時,通過使用核技巧及軟間隔最大化,學習非線性支持向量機

答案:SVM的基本模型是在特征空間中尋找間隔最小化的分離超平面的線性分類器下面關于支持向量機的描述正確的是（）。

A:可用于多分類的問題B:是一種無監督學習方法C:支持非線性的核函數D:是一種監督學習的方法

答案:可用于多分類的問題；支持非線性的核函數；是一種監督學習的方法關于SVM的描述正確的是:（）

A:支持向量機訓練時候,數據不需要歸一化或者標準化B:支持向量機的學習策略就是間隔最大化C:支持向量機模型定義在特征空間上的間隔最大的線性分類器