A、避免单学习器可能因误选而导致泛化性能不佳$;$降低陷入局部极小点的风险$;$假设空间扩大,有可能学得更好的近似$;$多学习器结合有可能冲突
答案:ABC
A、避免单学习器可能因误选而导致泛化性能不佳$;$降低陷入局部极小点的风险$;$假设空间扩大,有可能学得更好的近似$;$多学习器结合有可能冲突
答案:ABC
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
A. SelectiveSearch质量不好$;$每个候选框都需要cnn计算特征计算量大$;$svm没有联合训练,训练时间增长$;$模型效果优于faster-rcnn
A. 用户$;$综合数据库$;$推理机$;$知识库
A. 感知器$;$线性单元$;$Sigmoid单元$;$Untied单元
A. NFS$;$Wine$;$Samba$;$Iread
A. 子集的搜索与评价$;$过滤式选择$;$包裹式选择$;$压缩感知
A. 广度优先搜索$;$深度优先搜索$;$有界深度优先搜索$;$启发式搜索