相关题目
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
在有监督学习中， 我们如何使用聚类方法？（ ）￥1.我们可以先创建聚类类别， 然后在每个类别上用监督学习分别进行学习￥2.我们可以使用聚类“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￥3.在进行监督学习之前， 我们不能新建聚类类别￥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
数据科学家可能会同时使用多个算法（模型）进行预测， 并且最后把￥这些算法的结果集成起来进行最后的预测（集成学习），以下对集成学习￥说法正确的是 :（ ）
对于 PCA 说法正确的是 :（ ）￥1.我们必须在使用 PCA 前规范化数据￥2.我们应该选择使得模型有最大 variance 的主成分￥3.我们应该选择使得模型有最小 variance 的主成分￥4.我们可以使用 PCA 在低维度上做数据可视化
对于随机森林和 GradientBoosting Trees, 下面说法正确的是: （ ）￥1.在随机森林的单个树中, 树和树之间是有依赖的, 而 GradientBoosting ￥Trees 中的单个树之间是没有依赖的￥2.这两个模型都使用随机特征子集, 来生成许多单个的树￥3.我们可以并行地生成 GradientBoosting Trees 单个树, 因为它们之间是￥没有依赖的, GradientBoosting Trees 训练模型的表现总是比随机森林好
我们建立一个 5000 个特征, 100 万数据的机器学习模型. 我们怎么有￥效地应对这样的大数据训练 : （）
请选择下面可以应用隐马尔科夫(HMM)模型的选项: （ ）
假如我们使用非线性可分的 SVM 目标函数作为最优化对象, 我们怎么￥保证模型线性可分？（ ）
