《机器学习-Python实践》试卷1

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（2021试卷（2021-2022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、关于支持向量机SVM,下列说法错误的是（）A.L2正则项，作用是最大化分类间隔，使得分类器拥有更强的泛化能力B.Hinge损失函数，作用是最小化经验分类错误C.分类间隔为1||w||1||w||，||w||代表向量的模D.当参数C越小时，分类间隔越大，分类错误越多，趋于欠学习2、假定某同学使用NaiveBayesian（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：（）A.这个被重复的特征在模型中的决定作用会被加强B.模型效果相比无重复特征的情况下精确度会降低C.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。D.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3、关于Logit回归和SVM不正确的是（）A.Logit回归本质上是一种根据样本对权值进行极大似然估计的方法，而后验概率正比于先验概率和似然函数的乘积。logit仅仅是最大化似然函数，并没有最大化后验概率，更谈不上最小化后验概率。A错误B.Logit回归的输出就是样本属于正类别的几率，可以计算出概率，正确C.SVM的目标是找到使得训练数据尽可能分开且分类间隔最大的超平面，应该属于结构风险最小化。D.SVM可以通过正则化系数控制模型的复杂度，避免过拟合。4、以下哪些方法不可以直接来对文本分类？（）A、KmeansB、决策树C、支持向量机D、KNN正确答案:A分类不同于聚类。5、关于Logit回归和SVM不正确的是（）A.Logit回归本质上是一种根据样本对权值进行极大似然估计的方法，而后验概率正比于先验概率和似然函数的乘积。logit仅仅是最大化似然函数，并没有最大化后验概率，更谈不上最小化后验概率。A错误B.Logit回归的输出就是样本属于正类别的几率，可以计算出概率，正确C.SVM的目标是找到使得训练数据尽可能分开且分类间隔最大的超平面，应该属于结构风险最小化。D.SVM可以通过正则化系数控制模型的复杂度，避免过拟合。6、下列不是SVM核函数的是（）A.多项式核函数B.logistic核函数C.径向基核函数D.Sigmoid核函数7、模型的高bias是什么意思,我们如何降低它？机器学习ML基础易（）A.在特征空间中减少特征B.在特征空间中增加特征C.增加数据点D.B和C8、当你使用Boosting提升算法时，你会考虑弱学习器，以下哪项是使用弱学习器的主要原因？（）A.防止过拟合B.防止欠拟合C.防止过拟合和防止欠拟合D.都不对9、梯度提升中，利用学习率来获得最优输出是非常重要的，在选择学习速率时， 下列描述正确的是：（）A.学习率越大越好B.学习率越小越好C.学习率应该小一点但是不能太小D.学习率不能太大也不能太小,根据情况而定10、下列哪个算法不是集成学习算法的例子：（）A.RandomForestB.AdaBoostC.GBDTD.XgboostE.DecisionTree二、判断题（本大题共10小题，每题1分，共10分）1、错误率（ErrorRate）是分类错误的样本数占样本总数的比例。（）2、决策树算法可以用于小数据集。（）3、支持向量是SVM的训练结果，在SVM分类决策中起决定作用的是支持向量。（）4、SVM在小样本训练集上能够得到比其它算法好很多的结果。（）5、最大似然估计的目的就是：利用已知的样本结果，反推最有可能（最大概率）导致这样结果的参数值。（）6、决策树只能处理数据型属性。（）7、逻辑回归计算速度快。（）8、集成学习（ensemblelearning）通过构建并结合多个学习器（learner）来完成学习任务（）9、集成学习可获得比单一学习器更良好的泛化性能（特别是在集成弱学习器（weaklearner）时）。（）10、集成学习以bagging、RandomForest等算法为代表的，各个学习器之间相互独立、可同时生成的并行化方法。（）三、填空（本大题共10小题，每题3分，共30分）1、熵指的是体系的的程度。2、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。3、算法在决策树生成的过程中，用信息增益比来选择特征。4、p(x|θ)是给定参数θ的概率分布：。5、线性回归如果是泊松分布，那就是。6、回归常用评估方法：，，。7、基尼指数（基尼不纯度）=*。8、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。9、分类(Classification)：是把不同的数据划分开，其过程是通过训练数据集获得一个分类器