相关题目
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？（ ）
我们想在大数据集上训练决策树, 为了使用较少时间, 我们可以 : ￥（ ）
”点击率问题”是这样一个预测问题, 99%的人是不会点击的, 而 1%￥的人是会点击进去的, 所以这是一个非常不平衡的数据集. 假设, 现在我们￥已经建了一个模型来分类, 而且有了 99%的预测准确率, 我们可以下的结￥论是 : （ ）
