我们想要减少数据集中的特征数，即降维。选择以下适合的方案①使用前向特征选择方法②使用后向特征排除方法③我们先把所有特征都使用，去训练一个模型，得到测试集上的表现然后我们去掉一个特征，再去训练，用交叉验证看看测试集上的表现，如果表现比原来还要好，我们可以去除这个特征④查看相关性表，去除相关性最高的一些特征

使用决策树分类时，如果输入的某个特征的值是连续的，通常使用二分法对连续属性离散化，即根据是否大于/小于某个阈值进行划分。如果采用多路划分，每个出现的值都划分为一个分支，这种方式的最大问题是

我们想在大数据集上训练决策树, 为了减少训练时间, 我们可以

下列关于XGboost算法描述中错误的是

以下关于熵、信息增益、基尼指数的相关描述中错误的是

在强化学习中，哪个机制的引入使得强化学习具备了在利用与探索中寻求平衡的能力

对完成特定任务的卷积神经网络训练采用的是监督学习方法。在这个过程中，通过误差后向传播来优化调整网络参数，请问下面哪个参数不是通过误差后向传播来优化的

下面对前馈神经网络这种深度学习方法描述不正确的是

前馈神经网络通过误差后向传播（BP算法）进行参数学习，这是一种（ ）机器学习手段

在前馈神经网络中，误差后向传播（BP算法）将误差从输出端向输入端进行传输的过程中，算法会调整前馈神经网络的什么参数

我们可以将深度学习看成一种端到端的学习方法，这里的端到端指的是