答案:B
A. 人工智能业务$;$人工智能算法$;$人工智能训练数据$;$机器学习框架平台
A. KNN分类$;$逻辑回归$;$DBSCAN$;$决策树
A. Boosting$;$Bagging$;$Stacking$;$Mapping
A. 可以处理高维度的属性,并且不用做特征选择$;$随机森林的预测能力不受多重共线性影响$;$也擅长处理小数据集和低维数据集的分类问题$;$能应对正负样本不平衡问题
A. 与Adaboost相比,随机森林采用一个固定的概率分布来产生随机向量
$;$随着个体学习器数目的增加,随机森林通常会收敛到更低的泛化误差$;$与Adaboost相比,随机森林鲁棒性更好$;$随机森林的训练效率往往低于Bagging
A. 精度与错误率的和为1$;$精度与错误率都可以反映模型的好坏$;$精度与错误率都可以用概率密度函数表示$;$精度是评价模型的唯一标准
A. zeros()$;$ones()$;$empty()$;$eye(),