()是用来评估神经网络的计算模型对样本的预测值和真实值之间的误差大小。

A. 线性$;$双塔$;$三塔$;$非线性

A. 输入门 $;$记忆门$;$ 忘记门$;$ 输出门

A. 完整性检验$;$缺失值检验$;$一致性检验$;$冗余性检验

A. 相容$;$相等$;$互斥$;$包含

A. 分类$;$检测$;$识别$;$跟踪

A. 感知机根据正确的程度进行权重调整$;$输入层接收外界输入信号传递给输出层$;$输出层是M-P神经元$;$感知机能容易实现逻辑与、或、非运算

A. RndomForest的中间树不是相互独立的，而GrdientBoostingTrees的中间树是相互独立的$;$两者都使用随机特征子集来创建中间树$;$在GradientBoostingTrees中可以生成并行树，因为它们是相互独立的$;$无论任何数据，GraientBoostingTrees总是优于RanomFores

A. Jaccard系数$;$FM指数$;$Rand指数$;$DB指数

A. 首先，可以创建聚类，然后分别在不同的集群上应用监督式学习算法$;$在应用监督式学习算法之前，可以将其类别ID作为特征空间中的一个额外的特征$;$在应用监督式学习之前，不能创建聚类$;$在应用监督式学习算法之前，不能将其类别ID作为特征空间中的一个额外的特征

A. 用“与/或”图表示知识方便使用程序设计语言表达，也便于计算机存储处理$;$“与/或”图表示知识时一定同时有“与结点”和“或结点”$;$“与/或”图能方便地表示陈述性知识和过程性知识$;$能用“与/或”图表示的知识不适宜用其他方法表示