| 1.假定某同学使用Naive Bayesian（NB）分类模型时，不小心将训练数据的两个维度搞重复了，那么关于NB的说法中正确的是：( )1 这个被重复的特征在模型中的决定作用会被加强2 模型效果相比无重复特征的情况下精确度会降低3 如果所有特征都被重复一遍，得到的模型预测结果相对于不重复的情况下的模型预测结果一样。4 当两列特征高度相关时，无法用两列特征相同时所得到的结论来分析问题5 NB可以用来做最小二乘回归 |
|---|
| A：全部都正确 |
| B：全部不正确 |
| C：2 4 |
| D：1 2 4 |
| 分值：2 参考答案：C |
| 2.朴素贝叶斯是一个低方差还是高方差模型？（） |
| A：低方差 |
| B：高方差 |
| C：方差高低视情况而定 |
| 分值：2 参考答案：A |
| 3.下列关于逻辑回归中激活函数说法不正确的是 ( )A、常用的激活函数有Sigmoid函数、Relu函数B、Sigmoid函数可以将负无穷到正无穷的范围转换为0~1之间C、Sigmoid函数的表达式为：D、逻辑回归中使用激活函数的目的是减少误差 |
| A：A |
| B：B |
| C：C |
| 4.以下哪个应用场景不适合采用逻辑回归分类算法？ |
| A：房价走势预测 |
| B：芯片不良率分类预测 |
| C：学生录取可能性分类预测 |
| D：心脏病分类预测 |
| 分值：2 参考答案：A |
| 5.机器学习中的逻辑回归算法使用了我们高数当中的一个函数，这个函数是（ ） |
| A：对数函数 |
| B：Sigmoid函数 |
| C：指数函数 |
| D：Tan函数 |
| 分值：2 参考答案：B |
| 6.在训练逻辑回归模型之前需要对特征进行标准化。 |
| A：是 |
| B：否 |
| 分值：2 参考答案：B |
| 7.以下哪种方法能最佳地适应逻辑回归中的数据？ |
| A：最小平方差 |
| B：最大似然估计 |
| C：欧几里得空间距离 |
| D：以上都不是 |
| 分值：2 参考答案：B |
| 8.下面关于决策树算法说法错误的是 ( ) |
| A：信息增益选择特征偏向于“纯度”较好的特征作为优先项 |
| B：信息熵是度量样本纯度最常用的一种指标 |
| C：ID3算法不仅能处理离散型数据，还能处理连续型数据 |
| D：ID3算法可能会导致模型的泛化能力下降的问题 |
| 分值：2 参考答案：C |
| 9.哪些机器学习算法不需要做归一化（ ）： |
| A：线性回归 |
| B：逻辑回归 |
| C：KNN |
| D：SVM |
| E：决策树 |
| 分值：2 参考答案：E |
| 10.决策树作为一种的机器学习算法，可以利用树形结构解决分类和回归问题。下面关于决策树算法说法错误的是 ( ) |
| A：常见的决策树算法包括ID3、C4.5和CART算法 |
| B：C4.5算法中属性选择使用信息增益率，避免了对属性值多的属性过度敏感 |
| C：CART算法的基尼指数与ID3算法的信息增益都是用于属性选择 |
| D：信息增益、信息增益率、基尼指数的计算结果不会影响决策树结构 |
| 分值：2 参考答案：D |
| 11.下列有关决策树，描述错误的是（ ） |
| A：对于各类别样本数量不一致数据，信息增益偏向于那些具有更多数值的特征。 |
| B：能够同时处理数据型和常规性属性 |
| C：适合低维数据 |
| D：易于过拟合 |
| 分值：2 参考答案：C |
| 12.决策树中熵的概念是什么（） |
| A：衡量决策树规模 |
| B：比较数据分布情况 |
| C：比较不同特征的分类效果 |
| D：比较数据量大小 |
| 分值：2 参考答案：C |
| 13.一个系统越是有序，信息熵就越低；反之，一个系统越是混乱，信息熵就越高。这句话是否正确（ ） |
| A：正确 |
| B：不正确 |
| C：不确定 |
| 分值：2 参考答案：A |
| 14.关于欠拟合（under-fitting），下面哪个说法是正确的？（ ） |
| A：训练误差较大，测试误差较小 |
| B：训练误差较小，测试误差较大 |
| C：训练误差较大，测试误差较大 |
| 分值：2 参考答案：C |
| 15.下列说法正确的是（ ） |
| A：负梯度方向是使函数值下降最快的方向 |
| B：当目标函数是凸函数时，梯度下降法的解是全局最优解 |
| C：以上都是 |
| 分值：2 参考答案：C |
| 16.假如我们利用 Y 是 X 的 3 阶多项式产生一些数据（3 阶多项式能很好地拟合数据）。那么，下列说法正确的是（单选）？ 1. 简单的线性回归容易造成高偏差（bias）、低方差（variance）2. 简单的线性回归容易造成低偏差（bias）、高方差（variance）3. 3 阶多项式拟合会造成低偏差（bias）、高方差（variance）4. 3 阶多项式拟合具备低偏差（bias）、低方差（variance） |
| A：1和3 |
| B：2和4 |
| C：2和3 |
| D：1和4 |
| 分值：2 参考答案：D |
| 17.若直接用初级学习器的训练集来产生次级训练集，则过拟合风险会比较大；一般会通过（）等方式，用训练初级学习器未使用的样本来产生次级学习器的训练样本。 |
| A：交叉验证 |
| B：归一化 |
| C：正则化 |
| D：失活层 |
| 分值：2 参考答案：A |
| 19.数据科学家可能会同时使用多个算法（模型）进行预测， 并且最后把这些算法的结果集成起来进行最后的预测（集成学习），以下对集成学习说法正确的是 :（ ） |
| A：单个模型之间有高相关性 |
| B：单个模型之间有低相关性 |
| C：在集成学习中，使用“平均权重”而不是“投票”会比较好 |
| D：单个模型都是用的一个算法 |
| 分值：2 参考答案：B |
若有收获，就点个赞吧
0 人点赞
