冗余属性不会对决策树的准确率造成不利的影响

为了增强网络的表达能力，我们需要（）来将线性函数转换为非线性函数。

代码arr5=np.arange（0,6）.reshape（[2,3]）;print（arr5[1,:]）的输出结果是（）？

代码arr3=np.array（[[1,2,3],[4,5,6]]）.transpose（）;print（arr3[1,1]）的输出结果是（）？

语句np.sum（arr3,axis=1）的作用是（）？注：（已导入numpy库）importnumpyasnp

代码arr1=np.array（[[1,2,3],[4,5,6]]）;arr2=2*np.ones（[2,3],dtype=np.int64）;print（（arr1*arr2）[1][2]）的输出结果是（）？注：（已导入numpy库）importnumpyasnp

代码arr1=np.array（[[1,2,3],[4,5,6]]）;print（（arr1**2）[1,1]）的输出是（）？

代码array=np.arange（10,31,5）中的5代表（）？

根据numpy数组中ndim属性的含义确定程序的输出（）。array=np.array（[[1,2,3],[4,5,6],[7,8,9],[10,11,12]]）;print（array.ndim）

numpy数组的ndim属性是（）？

以下程序的输出是（）？array=np.array（[[1,2,3],[4,5,6],[7,8,9],[10,11,12]]）;print（array.shape）