A、从偏差-方差分解的角度看，Boosting主要关注降低偏差$;$从偏差-方差分解的角度看，Bagging主要关注降低方差$;$随机森林简单、容易实现、计算开销小$;$ Boosting不能基于泛化性能相当弱的学习器构建出很强的集成
答案：D
A、从偏差-方差分解的角度看，Boosting主要关注降低偏差$;$从偏差-方差分解的角度看，Bagging主要关注降低方差$;$随机森林简单、容易实现、计算开销小$;$ Boosting不能基于泛化性能相当弱的学习器构建出很强的集成
答案：D
A. 多分类$;$二分类$;$回归$;$分类
A. 数组描述$;$数据描述$;$算法描述$;$存储空间描述
A. importmo$;$frommoimport*$;$importmoasm$;$importmfrommo
A. 残差均值总是为零$;$残差均值总是小于零$;$残差均值总是大于零$;$以上说法都不对
A. 熵越大，不确定性越大，信息量也就越大$;$信息增益越大，表示某个条件熵对信息熵减少程序越大，也就是说，这个属性对于信息的判断起到的作用越大$;$Gini指数越大，不纯度越小，越容易区分，越不容易分错$;$熵权法是一种客观赋权法，因为它仅依赖于数据本身的离散性
A. 0.05$;$0.1$;$0.15$;$0.2
A. 卷积层$;$池化层$;$全连接层$;$输入层
