相关题目
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
为了得到和 SVD 一样的投射（projection），你需要在 PCA 中怎￥样做？( )
给定三个变量 X，Y，Z。(X, Y)、(Y, Z) 和 (X, Z) 的 Pearson 相￥关性系数分别为 C1、C2 和 C3。现在 X 的所有值加 2（即 X+2），Y ￥的全部值减 2（即 Y-2），Z 保持不变。那么运算之后的 (X, Y)、(Y, Z) ￥和 (X, Z) 相关性系数分别为 D1、D2 和 D3。现在试问 D1、D2、D3 ￥和 C1、C2、C3 之间的关系是什么？（ ）
最出名的降维算法是 PAC 和 t-SNE。将这两个算法分别应用到数据￥「X」上，并得到数据集「X_projected_PCA」，￥「X_projected_tSNE」。下面哪一项对「X_projected_PCA」和￥「X_projected_tSNE」的描述是正确的？（ ）
如果在一个高度非线性并且复杂的一些变量中“一个树模型可比一般的￥回归模型效果更好”是（ ）
对于线性回归模型，包括附加变量在内，以下的可能正确的是 :（ ）￥1.R-Squared 和 Adjusted R-squared 都是递增的￥2.R-Squared 是常量的，Adjusted R-squared 是递增的￥3.R-Squared 是递减的， Adjusted R-squared 也是递减的￥4.R-Squared 是递减的， Adjusted R-squared 是递增的
变量选择是用来选择最好的判别器子集， 如果要考虑模型效率，我们￥应该做哪些变量选择的考虑？ （）￥1.多个变量其实有相同的用处￥2.变量对于模型的解释有多大作用￥3.特征携带的信息￥4.交叉验证
下面的交叉验证方法 :（ ）￥i. 有放回的 Bootstrap 方法￥ii. 留一个测试样本的交叉验证￥iii. 5 折交叉验证￥iv. 重复两次的 5 折交叉验证￥当样本是 1000 时，下面执行时间的顺序，正确的是：
如果一个训练好的模型在测试集上有 100%的准确率， 这是不是意味￥着在一个新的数据集上，也会有同样好的表现？（ ）
以下说法正确的是 :（）￥1.一个机器学习模型，如果有较高准确率，总是说明这个分类器是好的￥2.如果增加模型复杂度， 那么模型的测试错误率总是会降低￥3.如果增加模型复杂度， 那么模型的训练错误率总是会降低￥4.我们不可以使用聚类“类别 id”作为一个新的特征项， 然后再用监督学￥习分别进行学习
