《机器学习-Python实践》试卷及答案 卷9

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、选择Logistic回归中的One-Vs-All方法中的哪个选项是真实的。（）A我们需要在n类分类问题中适合n个模型B我们需要适合n-1个模型来分类为n个类C我们需要只适合1个模型来分类为n个类D这些都没有2、假设对给定数据应用了Logistic回归模型，并获得了训练精度X和测试精度Y。现在要在同一数据中添加一些新特征，以下哪些是错误的选项。（）注：假设剩余参数相同。A训练精度提高B训练准确度提高或保持不变C测试精度提高或保持不变3、假定特征F1可以取特定值：A、B、C、D、E和F，其代表着学生在大学所获得的评分。在下面说法中哪一项是正确的？（）A特征F1是名义变量（nominalvariable）的一个实例。B特征F1是有序变量（ordinalvariable）的一个实例。C该特征并不属于以上的分类。D以上说法都正确。4、下面哪一项对梯度下降（GD）和随机梯度下降（SGD）的描述是正确的？（）1在GD和SGD中，每一次迭代中都是更新一组参数以最小化损失函数。2在SGD中，每一次迭代都需要遍历训练集中的所有样本以更新一次参数。3在GD中，每一次迭代需要使用整个训练集的数据更新一个参数。A只有1B只有2C只有3D都正确5、假定你正在处理类属特征，并且没有查看分类变量在测试集中的分 布。现在你想将onehotencoding（OHE）应用到类属特征中。（）那么在训练集中将OHE应用到分类变量可能要面临的困难是什么？A.分类变量所有的类别没有全部出现在测试集中B.类别的频率分布在训练集和测试集是不同的C.训练集和测试集通常会有一样的分布D.A和B都正确6、假定你现在解决一个有着非常不平衡类别的分类问题，即主要类别 占据了训练数据的99%。现在你的模型在测试集上表现为99%的准确度。 那么下面哪一项表述是正确的？（）1准确度并不适合于衡量不平衡类别问题2准确度适合于衡量不平衡类别问题3精确率和召回率适合于衡量不平衡类别问题4精确率和召回率不适合于衡量不平衡类别问题A1and3B1and4C2and3D2and47、假设我们有一个数据集，在一个深度为6的决策树的帮助下，它可 以使用100%的精确度被训练。现在考虑一下两点，并基于这两点选择正确 的选项。（）注意：所有其他超参数是相同的，所有其他因子不受影响。1深度为4时将有高偏差和低方差2深度为4时将有低偏差和低方差A只有1B只有2C1和2D没有一个8、与人类神经元相比，人工神经元的输入类比于什么？（）A．树突B．轴突C．细胞核D.细胞膜9、与人类神经元相比，人工神经元的输出类比于什么？（）A．树突B．轴突C．细胞核D.细胞膜10、以下关于感知器中的链接方式表示正确的是？（）A.输入层与隐藏层相连B.输入层与输出层相连C.隐藏层与细胞核相连D.输入层与输入层相连二、判断题（本大题共10小题，每题1分，共10分）1、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。（）2、输出变量为连续变量的预测问题是分类问题。（）3、回归及分类常用的评估指标都是准确率和召回率。（）4、决策树只用来分类。（）5、一般来说，回归不用在分类问题上，但也有特殊情况，逻辑回归可 以用来解决0/1分类问题。（）6、回归问题与分类问题都有可能发生过拟合。（）7、如果一个经过训练的机器学习模型在测试集上达到100%的准确率， 这是否意味着该模型将在另外一个新的测试集上也能得到100%的准确率。 （）8、序列数据没有时间戳。（）9、定量属性可以是整数值或者是连续值。（）10、可视化技术对于分析的数据类型通常不是专用性的。（）三、填空（本大题共10小题，每题3分，共30分）1、损失函数也叫或。2、已知坐标轴中两点A(2,−2)B(−1,2)，这两点的曼哈顿距离（L1距离）是。3、算法利用信息增益进行特征的选择，信息增益反映的是给定条件后不确定性减少的程度。4、表示在样本集合中一个随机选中的样本被分错的概率。5、基尼指数（基尼不纯度）=*。6、欧式距离的特征是：、。7、一个表示一个单独的数，它不同于线性代数中研究的其他大部分对象（通常是多个数的数组）。8、AdaBoost迭代次数也就是数目不太好设定，可以使用交叉验证来进行确定；数据不平衡导致分类精度下降。9、AdaBoost训练比较耗时，每次重新选择最好切分点。10、聚类(Clustering)是指把相似的数据划分到一起，具体划分的时候并不关心这一类的标签，目标就是把相似的数据聚合到一起，聚类是一种。四、简答题（本大题共3小题，共30分）1、决策树算法特点？2、预剪枝核心思想是？3、如果你已经在完全相同的训练集上训练了五个不同的模型，并且它们都达到了95%的准确率，是否还有机会通过结合这些模型来获得更好的结果？如果可以，该怎么做？如果不行，为什么？？一、选择题1.A 2.B 3.B 4.A 5.D 6.A 7.A 8.A 9.B 10.A二、判断题1.对 2.错 3.错 4.错 5.对 6.对 7.错 8.对 9.对 10.错 三、填空题1.代价函数目标函数 2.7 3.ID3 4.基尼指数（基尼不纯度） 5.样本被选中的概率样本被分错的概率 6.平移不变性旋转不变性 7.标量 8.弱分类器 9.当前分类器 10.无监督学习(UnsupervisedLearning)方法四、简答题1、答：优点:计算复杂度不高，输出结果易于理解，数据有缺失也能跑，可以处理不相关特征。缺点:容易过拟合。适用数据类型:数值型和标称型。2、答：其中的核心思想就是，在每一次实际对结点进行进一步划分之前，先采用验证集的数据来验证划分是否能提高划分的准确性。如果不能，就把结点标记为叶结点并退出进一步划分；如果可以就继续递归生成节点。3、答：如果你已经训练了五个不同的模型，并且都达到了95％的精度，你可