机器学习技术及应用智慧树知到期末考试答案2024年

机器学习技术及应用智慧树知到期末考试答案2024年机器学习技术及应用逻辑回归模型解决（）

A:聚类问题B:推理问题C:分类问题D:回归问题答案:分类问题下列不属于机器学习开发语言是哪个？（）

A:JavaB:RC:汇编语言D:C++答案:汇编语言支持向量机中的margin指（）

A:损失误差B:盈利率C:保证金D:间隔答案:间隔移动运营商对客户的流失进行预测，可以使用下面哪种机器学习方法比较合适（）

A:关联方法B:一元线性回归分析C:聚类算法D:多层前馈网络答案:多层前馈网络Numpy中向量转成矩阵使用（）

A:arangeB:reshapeC:randomD:reval答案:arange按照学习任务，机器学习可以分为哪几类（）

A:降维B:回归C:分类D:聚类答案:分类;聚类;回归;降维按照学习方式，机器学习可以分为哪几类（）

A:监督学习B:非监督学习C:半监督学习D:强化学习答案:监督学习;非监督学习;半监督学习;强化学习卡内基梅隆大学的TomMitchell教授这样定义机器学习的：对于某类任务T和性能度量P，如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善，那么我们称这个计算机程序在从经验E中学习。请问上面的T、P、E分别指的是（）

A:TaskB:PerformanceMeasureC:PerformanceD:Experience答案:Experience###PerformanceMeasure###Task机器学习可以应用在下列哪些应用领域（）

A:搜索引擎B:天气预报C:商业营销D:自动驾驶汽车答案:商业营销###天气预报###搜索引擎###自动驾驶汽车机器学习涉及的理论有（）

A:概率论B:统计学C:逼近论D:凸分析答案:概率论###统计学###凸分析###逼近论强化学习包含哪些元素（）

A:ActionB:AgentC:RewardD:State答案:Reward###Agent###State###Action回归问题和分类问题都有可能发生过拟合。（）

A:对B:错答案:对决策树学习算法中，预留一部分数据用作“验证集”，进行性能评估，决定是否剪枝。（）

A:错B:对答案:对决策树学习的目的是为了产生一颗泛化能力强，即处理未见示例能力强的决策树。（）

A:错B:对答案:对数据集一般划分为训练集、验证集和测试集。训练集用于建模、验证集用于模型验证与矫正、测试集用于模型的最终评估。（）

A:错误B:正确答案:正确逻辑回归算法是一种广义的线性回归分析方法，它仅在线性回归算法的基础上，利用Sigmoid函数对事件发生的概率进行预测。（）

A:错误B:正确答案:正确最小二乘法是基于预测值和真实值得均方差最小化的方法来估计线性回归学习器的参数w和b。（）

A:正确B:错误答案:正确多隐层感知机比单隐层感知机的表达能力强。（）

A:错B:对答案:错回归预测的目标函数是离散值，分类预测的目标函数是连续值。（）

A:正确B:错误答案:错误大部分的机器学习工程中，数据搜集、数据清洗、特征工程这三个步骤占绝大部分时间，而数据建模占总时间比较少。（）

A:正确B:错误答案:正确梯度下降，就是沿着函数的梯度（导数）方向更新自变量，使得函数的取值越来越小，直至达到全局最小或者局部最小。（）

A:错误B:正确答案:正确给定n个数据点，如果其中一半用于训练，另一半用于测试，则训练误差和测试误差之间的差别会随着n的增加而减小。（）

A:正确B:错误答案:正确回归和分类都是监督学习问题。（）

A:错B:对答案:对根据肿瘤的体积、患者的年龄来判断良性或恶性，这是一个回归问题。（）

A:错误B:正确答案:错误最小二乘法（又称最小平方法）是一种数学优化技术。它通过什么的平方和寻找数据的最佳函数匹配（）

A:最小化误差B:最大化求和C:最大化误差D:最大化乘积答案:AI参考:正确选项是A：最小化误差。\n\n最小二乘法是一种数学优化技术，通过寻找数据的最佳函数匹配来最小化误差的平方和。这意味着它试图找到一个函数，该函数可以尽可能地接近数据点，同时误差的平方和最小化。这种方法广泛应用于统计、工程、经济和生物学等领域。'以下哪个函数可以实现画布的创建（）

A:subplots()B:figure()C:add_subplot()D:subplot2grid()答案:AI参考:正确选项是：B:figure()\n\nfigure()函数是MATLAB中的一个重要函数，用于创建画布。使用该函数，可以开始新的图形，或者在新创建的画布上进行绘图。其他的选项A,C,D都是创建或管理子图的函数，而不是创建画布的函数。因此，答案为B。'关于K近邻算法说法错误的是（）

A:K近邻算法是机器学习B:K近邻算法是监督学习C:K代表分类个数D:K的选择对分类结果没有影响答案:AI参考:关于K近邻算法说法错误的是：D:K的选择对分类结果没有影响。\n\nK近邻算法是一种基于实例的学习，也被称为基于划分的分类方法。它是一种监督学习算法，通过已知的数据集进行训练，并使用K值将数据集划分为不同的类别。K值的选择对分类结果是有影响的，通常需要根据实际情况选择合适的K值以达到最好的分类效果。因此，D选项是错误的。其他选项都是正确的。'下列说法错误的是（）

A:TensorFlow是用R实现的，用Python封装的。B:tensorflow时会在图中创建各种节点，节点的类型分为三种。C:TensorFlow是一个采用数据流图，用于数值计算的开源软件库。D:张量就是一个数据容器，它可以用来表示比如数字，向量、矩阵等基本的数据，还可以表示时间序列、图像、视频等复杂的数据集。答案:AI参考:正确答案是A：TensorFlow是用R实现的，用Python封装的。这个说法是错误的。TensorFlow是一个用Python语言开发的库，用于数值计算。它采用数据流图的方式进行计算，可以表示各种基本的数据，如数字、向量、矩阵等，也可以表示更复杂的数据集，如时间序列、图像、视频等。因此，其他三个选项都是正确的。'下列描述无监督学习错误的是（）

A:核心是聚类B:具有很好的解释性C:不需要降维D:无标签答案:AI参考:正确选项是：B：具有很好的解释性。\n\n无监督学习是指在没有标签数据的情况下，通过学习数据内在结构或模式来对未知数据进行分类或预测。其核心是聚类，不需要降维，无标签，具有很好的自适应性。因此，B选项描述错误。'下列哪个不是Bagging的特点（）

A:只需要较少的基础分类器B:基于Bootstrap采样生成训练集C:各基础分类器并行生成D:各基础分类器权重相同答案:AI参考:正确选项是C:各基础分类器并行生成。\n\nBagging算法的特点包括：\n\n1.基于Bootstrap采样生成训练集，即重复从原始数据集中抽取样本并生成多个训练集。\n\n2.只需要较少的基础分类器，即通过多个基础分类器的组合来提高模型的性能。\n\n3.各基础分类器权重相同，即每个基础分类器在最终的模型中具有相同的权重。\n\n因此，选项C“各基础分类器并行生成”不是Bagging的特点。在Bagging中，每个基础分类器都是通过Bootstrap采样生成的，并且具有相同的权重。因此，选项A、B和D都是Bagging的特点。'最小二乘法是求得之间差值的平方和最小（）

A:预测值和最小值B:最小值和最大值C:真实值和预测值D:真实值和误差值答案:AI参考:正确选项是【真实值和误差值】。\n\n最小二乘法是一种数学优化技术，它通过最小化误差的平方和寻找数据的最佳函数匹配。因此，选项D“真实值和误差值”是正确的答案。最小二乘法是通过求得与实际观测数据之间的差值和平方和的最小值，来找到最佳拟合曲线或模型。这样可以有效减小误差，提高预测的准确度。'线性回归最小二乘法算法目标是为了求解下面哪两个参数的值？（）

A:真实值和预测值B:样本X值和样本Y值C:最大值和最小值D:斜率K和截距b答案:AI参考:正确选项是D：斜率K和截距b。\n\n线性回归最小二乘法算法是一种通过拟合一条直线来预测数据的方法，它通过最小化样本点到拟合直线的距离的平方和来求解斜率K和截距b这两个参数的值。通过斜率K和截距b的求解，可以建立一个线性回归模型，用于预测样本X值和样本Y值之间的线性关系。因此，选项D是正确的答案。选项A、B、C与线性回归最小二乘法算法的目标不符。'最小二乘法，求损失函数最小时，多元函数求偏导数的方法是：将其他自变量看成什么，对该自变量求偏导方法与一元函数求导数方法一致（）

A:常数B:自变量C:变量D:因变量答案:AI参考:答案为B：自变量。\n\n最小二乘法是在损失函数最小时，对多元函数求偏导数的方法。对于一元函数，求导数的方法是将自变量看作常数，但是多元函数中每个自变量都需要单独求偏导数。因此，对于多元函数，将其他自变量看成自变量，并对这些自变量求偏导数的方法与一元函数求导数方法一致。因此，选项B是正确答案。'支持向量机的简称（）

A:AIB:CNNC:MLD:SVM答案:AI参考:正确选项是D:SVM。\n\n支持向量机（SVM）是一种常用的机器学习算法，用于分类、回归和异常检测等任务。它是一种二分类算法，通过在高维空间中找到一个超平面来将正负样本进行区分，从而实现对数据的分类。因此，答案为D。'下列关于卷积神经网络说法错误的是（）

A:卷积神经网络模拟了人类视觉信息处理过程B:模拟大脑的视觉处理过程就是卷积神经网络的思路C:图像的卷积、类似视觉皮层对图像进行某种特定功能的处理D:目前网络深度最深、应用最成功的深度学习模型答案:AI参考:关于卷积神经网络说法错误的是目前网络深度最深、应用最成功的深度学习模型。虽然卷积神经网络在图像识别、自然语言处理等领域取得了很好的效果，但是目前还没有出现网络深度最深、应用最成功的深度学习模型。其他选项表述都是正确的。卷积神经网络模拟了人类视觉信息处理过程，模拟大脑的视觉处理过程是卷积神经网络的思路，图像的卷积、类似视觉皮层对图像进行某种特定功能的处理。因此，正确答案是D。'下列算法哪些是无监督学习算法（）

A:空间聚类B:主成分分析C:支持向量机D:Q-learning答案:AI参考:正确选项为B和D。\n\nB为主成分分析，是无监督学习算法，它是一种降维技术，通过寻找数据中的内在结构关系对数据进行降维。D为Q-learning，是一种强化学习算法，主要用于学习环境中的最优行为策略，通常是无监督的，因为它不需要与环境进行交互以获得奖励信号。\n\nA为空间聚类，属于有监督学习算法，需要使用标记的数据进行训练，并通过比较聚类结果与其他样本之间的距离或相似性来进行聚类。\n\nC为支持向量机，是一种监督学习算法，用于分类和回归分析，通过在高维空间中寻找一个超平面来最大化分类间隔，从而将不同的样本进行分类。'下列哪些是PCA算法可以实现的目的（）

A:提取特征主要成分B:数据升维C:对数据进行分类D:数据降维答案:AI参考:答案是：AD。PCA算法可以实现数据降维，即从原始特征空间转换到一个新的低维空间，同时保持数据中的重要结构信息。因此，AD选项正确。BC选项不正确，因为PCA算法主要用于特征提取和数据降维，而不是分类或数据升维。'PCA的推导可以从哪两个角度入手（）

A:最大平方误差理论B:最小平方误差理论C:最大方差理论D:最小方差理论答案:AI参考:正确选项为B和D，即最小平方误差理论和最小方差理论是PCA推导的两个主要角度。\n\nPCA（PrincipalComponentAnalysis，主成分分析）是一种常用的数据降维方法。其推导过程通常基于两个基本假设：一是数据在各个主成分上的投影误差最小，二是数据在各个主成分上的投影方差最大。这两个假设可以通过最小平方误差理论和最小方差理论来解释。\n\n具体来说，PCA通过最大化各个数据点在主成分上的投影方差，从而将原始数据集转换为一组线性无关的主成分，这些主成分能够反映原始数据集的大部分信息。在这个过程中，最小平方误差理论用于确保投影误差的平方和最小，而最小方差理论则用于确保投影方差最大。因此，B和D选项是正确的答案。'下列属于强化学习的应用有哪些（）

A:无人驾驶B:机器人控制C:AlphaGoD:FlappyBird答案:AI参考:答案为A、B、C。\n\n强化学习是一种机器学习方法，主要用于通过试错的方式学习如何做出最佳决策，适用于需要适应环境并从中学习的系统。以下是强化学习的几个应用领域：\n\n*无人驾驶：无人驾驶汽车需要学习如何处理各种路况和交通情况，以便在行驶过程中做出最佳决策。\n*机器人控制：机器人需要学习如何适应不同的环境和任务，以便完成各种任务。\n*AlphaGo：AlphaGo是基于强化学习的围棋AI，通过与人类对弈学习如何下围棋，最终达到了人类顶尖水平。\n\n而D选项的FlappyBird是一款简单的游戏，它主要依赖于游戏机制和用户反馈进行学习，而不是强化学习。因此，答案为A、B、C。'下列说法正确的有（）

A:降维指减少一个数据集的变量数量，同时保证传达信息的准确性B:聚类是将相似的东西聚在一起，并关心这些东西是什么C