《机器学习-Python实践》试卷及答案 卷8

第1页，共1页一、单项选择题（本大题共10小题，每题3分，共30分）试卷（试卷（学年第1学期）考试科目机器学习-Python实践（A卷）适用专业班级（年级）得分命题人：审阅人：班级学号姓名考试科目装订线1、产量（X，台）与单位产品成本（y,元/台）之家你的回归方程为y=356-1.5x，这说明（）A。产量每增加一台，单位产品成本增加356元B。产品每增加一台，单位产品的成本减少1.5元C.产量每增加一台，单位产品的成本平均增加356元D。产量每增加一台，单位产品成本平均减少1.5元2、直线方程y=wx+b,其中b表示（）A.系数B截距C.斜率D权重3、以下描述中，对梯度解释正确的是（多选）（）A梯度是一个向量，有方向有大小B求梯度就是对梯度向量的各个元素求偏导C梯度只有大小没有方向D梯度只有方向没有大小4、关于误差ε的说法正确的是（多选）（）A误差可以看做随机比变量B误差的概率分布符合正态分布C误差的概率分布符合均匀分布D如果模型设计优良，误差可以避免5、标准差与方差的关系是（多选）（）A标准差是方差的算术平方根B标准差可以反映离散程度，也可以反映出样本的量纲C方差只能反映离散程度D标准差的平方是方差6、SVM中的核技巧（Kernaltrick）的作用包括以下哪项？（）A.特征升维B.特征降维C.防止过拟合D.处理离散数据7、在数据预处理阶段，我们常常对数值特征进行归一化或标准化 (standardization,normalization)处理。这种处理方式理论上不会对下列 哪个模型产生很大影响？（）A.k-MeansB.k-NNC.决策树D.谱聚类8、下面哪个激活函数在图像分类中不能作为输出层？（）

A.sigmoid

B.Tanh

C.ReLU

D.If(x>5,1,0)

9、使用batchnormalization可以解决以下哪一个神经网络训练中的 问题？

（）

A.防止梯度消失

B.防止激活过高或者过低

C.网络训练太慢

D.B和C10、感知器不包括下面那个结构：（）A.输入层B.隐藏层C．输出层D．计算层二、判断题（本大题共10小题，每题1分，共10分）1、预剪枝是在决策树生成过程中，对树进行剪枝，提前结束树的分支 生长。（）2、决策树的剪枝基本策略有预剪枝(Pre-Pruning)和后剪枝。（）3、常见的决策树算法是ID3,C4.5，CART树。（）4、决策树的剪枝是为了简化决策树模型，避免过拟合。（）5、最小二乘法（又称最小平方法）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。（）6、朴素贝叶斯（分类器）是一种生成模型，它会基于训练样本对每个可能的类别建模。（）7、P(A|B)表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。（）8、Boosting：串行，各个及学习器顺序生成，因为后一个模型参数依赖于前一轮模型的预测结果。（）9、Bagging：各个学习器可以并行生成。（）10、Adaboost采用迭代的思想，继承了Boosting算法，每次迭代只训练一个弱学习器，训练好的弱学习器将参与下一次迭代。（）三、填空（本大题共10小题，每题3分，共30分）1、在某些情况下，我们会讨论坐标超过两维的数组。一般地，一个数组中的元素分布在若干维坐标的规则网格中，我们将其称之为。2、回归常用评估方法：，，。3、信息越有序，信息熵越。4、训练用到的每个样本叫。5、模型没有很好地捕捉到数据特征，不能够很好地拟合数据叫。6、提取出的正确信息条数/提取出的信息条数是。7、回归问题对数值型连续随机变量进行预测和建模的监督学习算法。回归往往会通过计算来确定模型的精确性。8、AdaBoost很好的利用了进行级联。9、AdaBoost可以将不同的作为弱分类器。10、AdaBoost具有很高的精度；相对于和，AdaBoost充分考虑的每个分类器的权重。四、简答题（本大题共3小题，共30分）1、SVM、LR、决策树的对比？2、朴素贝叶斯的特点是？3、讨论目前机器学习应用中存在的主要问题？一、选择题1.D 2.B 3.AB 4.AB 5.ABC 6.C 7.C 8.D 9.A 10.D二、判断题1.对 2.对 3.对 4.对 5.对 6.对 7.对 8.对 9.对 10.对 三、填空题1.张量 2.平均误差绝对值误差R2 3.低 4.训练样本 5.欠拟合 6.正确率 7.误差（Error) 8.弱分类器 9.分类算法 10.bagging算法RandomForest算法四、简答题1、模型复杂度：SVM支持核函数，可处理线性非线性问题;LR模型简单，训练速度快，适合处理线性问题;决策树容易过拟合，需要进行剪枝。损失函数：SVMhingeloss;LRL2正则化;Adaboost指数损失。数据敏感度：SVM添加容忍度对outlier不敏感，只关心支持向量，且需要先做归一化;LR对远点敏感。数据量：数据量大就用LR，数据量小且特征少就