智慧树知到答案机器学习（同济大学）最新答案

第三章 单元测试

1、单选题：
如果我们说“线性回归”模型完美地拟合了训练样本（训练样本误差为零），则下面哪个说法是正确的？（ ）
选项：
A:选项中的答案都不对
B:测试样本误差不可能为零
C:测试样本误差始终为零
答案: 【】

2、单选题：
下列关于线性回归分析中的残差（Residuals）说法正确的是？（ ）
选项：
A:残差均值总是大于零
B:残差均值总是小于零
C:选项中的说法都不对
D:残差均值总是为零
答案: 【】

3、多选题：
下列哪些假设是我们推导线性回归参数时遵循的？（ ）
选项：
A:X 与 Y 有线性关系（多项式关系）
B:误差一般服从 0 均值和固定标准差的正态分布
C:X 是非随机且测量没有误差的
D:模型误差在统计学上是独立的
答案: 【】

4、单选题：
一般来说，下列哪种方法常用来预测连续独立变量？（ ）
选项：
A:逻辑回归
B:线性回归和逻辑回归都行
C:线性回归
答案: 【】

5、单选题：
上图中哪一种偏移，是我们在最小二乘直线拟合的情况下使用的？图中横坐标是输入 X，纵坐标是输出 Y。（ ）
选项：
A:垂向偏移（perpendicular offsets）
B:两种偏移都可以
C:垂直偏移（vertical offsets）
答案: 【】

6、单选题：
加入使用逻辑回归对样本进行分类，得到训练样本的准确率和测试样本的准确率。现在，在数据中增加一个新的特征，其它特征保持不变。然后重新训练测试。则下列说法正确的是？（ ）
选项：
A:测试样本准确率一定增加或保持不变
B:训练样本准确率一定增加或保持不变
C:训练样本准确率一定会降低
D:测试样本准确率一定会降低
答案: 【】

7、单选题：
点击率预测是一个正负样本不平衡问题（例如 99% 的没有点击，只有 1% 点击）。假如在这个非平衡的数据集上建立一个模型，得到训练样本的正确率是 99%，则下列说法正确的是？（ ）
选项：
A:无法对模型做出好坏评价
B:模型正确率很高，不需要优化模型了
C:模型正确率并不高，应该建立更好的模型
答案: 【】

第四章 单元测试

1、多选题：
在决策树分割结点的时候，下列关于信息增益说法正确的是（ ）
选项：
A:纯度高的结点需要更多的信息来描述它
B:信息增益可以用”1比特-熵”获得
C:如果选择一个属性具有许多特征值, 那么这个信息增益是有偏差的
答案: 【】

2、判断题：
如果自变量 X 和因变量 Y 之间存在高度的非线性和复杂关系，那么树模型很可能优于经典回归方法。（ ）
选项：
A:对
B:错
答案: 【】

3、判断题：
在决策树学习过程中，用属性α 对样本集D 进行划分所获得的”信息增益”越大，则意味着使用属性α 来进行划分所获得的”纯度提升”越大。（ ）
选项：
A:对
B:错
答案: 【】

4、多选题：
对于划分属性选择，以下说法正确的是（ ）
选项：
A:选项中说法都不对
B:C4.5算法并不是直接选择增益率最大的候选划分属性，而是先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择增益率最高的。
C:增益率准则对可取值数目较少的属性有所偏好
D:信息增益准则对可取值数目较多的属性有所偏好
答案: 【】

5、判断题：
数据集D 的纯度可用它的基尼值来度量，基尼值越小，则数据集D 的纯度越高。（ ）
选项：
A:错
B:对
答案: 【】

第五章 单元测试

1、单选题：
假定你在神经网络中的隐藏层中使用激活函数 X。在特定神经元给定任意输入，你会得到输出 -0.01。X 可能是以下哪一个激活函数？ （ ）
选项：
A:ReLU
B:Sigmoid
C:选项中都有可能
D:tanh
答案: 【】

2、单选题：
在回归模型中，下列哪一项在权衡欠拟合（under-fitting）和过拟合（over-fitting）中影响最大？（ ）
选项：
A:更新权重 w 时，使用的是矩阵求逆还是梯度下降
B:多项式阶数
C:使用常数项
答案: 【】

3、多选题：
深度神经网络中常用Relu函数作为激活函数，其好处是：（ ）
选项：
A:选项中没有正确答案
B:收敛快
C:具有稀疏特性
D:求梯度简单
答案: 【】

4、单选题：
梯度爆炸问题是指在训练深度神经网络的时候，梯度变得过大而损失函数变为无穷。在RNN中，下面哪种方法可以较好地处理梯度爆炸问题？（ ）
选项：
A:选项中的方法都不行
B:梯度裁剪
C:用改良的网络结构比如LSTM和GRUs
D:Dropout
答案: 【】

5、单选题：
Dropout技术在下列哪种神经层中将无法发挥显著优势？（ ）
选项：
A:卷积层
B:仿射层（全连接层）
C:RNN层
答案: 【

第六章 单元测试

1、单选题：
如果SVM模型欠拟合, 以下方法哪些可以改进模型（ ）
选项：
A:减小核函数的参数
B:减小惩罚参数C的值
C:增大惩罚参数C的值
答案: 【】

2、判断题：
在训练完 SVM 之后，我们可以只保留支持向量，而舍去所有非支持向量，仍然不会影响模型分类能力。（ ）
选项：
A:错
B:对
答案: 【】

3、多选题：
关于SVM与感知机，以下说法正确的是：（ ）
选项：
A:感知机只用于线性分类，SVM可用于线性和非线性分类
B:优化方法方面，感知机采用梯度下降法，而SVM采用不等式约束结合拉格朗日乘子
C:损失函数方面，感知机采用的是误分类，易造成过拟合，而SVM采用间隔最大化(合页损失函数)，一定程度上可避免过拟合
D:都是用于分类的监督学习算法
答案: 【】

4、判断题：
支持向量机SVM是结构风险最小化模型，而逻辑回归LR是经验风险最小化模型。（ ）
选项：
A:错
B:对
答案: 【】

5、判断题：
逻辑回归LR是参数模型，支持向量机SVM是非参数模型。（ ）
选项：
A:错
B:对
答案: 【】

6、多选题：
关于SVM如何选用核函数，下列说法正确的是：（ ）
选项：
A:非线性核主要用于线性不可分以及特征数较少样本量一般的情况
B:高斯核和tanh核都属于非线性核，而且高斯核还可以把原始维度映射到无穷多维
C:选项中说法都不对
D:线性核主要用于线性可分以及样本数与特征数差不多的情况
答案: 【】

第七章 单元测试

1、多选题：
下列关于极大似然估计（Maximum Likelihood Estimate，MLE），说法正确的是（ ）
选项：
A:MLE 总是存在
B:如果 MLE 存在，那么它的解可能不是唯一的
C:如果 MLE 存在，那么它的解一定是唯一的
D:MLE 可能并不存在
答案: 【】

2、判断题：
朴素贝叶斯属于生成式模型，而SVM和决策树属于判别式模型。（ ）
选项：
A:错
B:对
答案: 【】

3、判断题：
朴素贝叶斯分类器有属性条件独立的假设前提。（ ）
选项：
A:错
B:对
答案: 【】

4、多选题：

上面三个贝叶斯模型中，属性之间存在依赖关系的是：（ ）
选项：
A:（c）
B:都不存在
C:（a）
D:（b）
答案: 【】

5、多选题：
关于贝叶斯网络，以下说法正确的是：（ ）
选项：
A:贝叶斯网络是无向有环图模型
B:贝叶斯网络是有向无环图模型
C:贝叶斯网络是一种概率图模型
D:贝叶斯网络又称信念网络
答案: 【】

第八章 单元测试

1、单选题：
下面关于 Random Forest 和 Gradient Boosting Trees 说法正确的是？（ ）
选项：
A:无论任何数据，Gradient Boosting Trees 总是优于 Random Forest
B:Random Forest 的中间树不是相互独立的，而 Gradient Boosting Trees 的中间树是相互独立的
C:两者都使用随机特征子集来创建中间树
D:在 Gradient Boosting Trees 中可以生成并行树，因为它们是相互独立的
答案: 【】

2、单选题：
数据科学家经常使用多个算法进行预测，并将多个机器学习算法的输出（称为“集成学习”）结合起来，以获得比所有个体模型都更好的更健壮的输出。则下列说法正确的是？（ ）
选项：
A:基本模型都来自于同一算法
B:基本模型之间相关性高
C:集成方法中，使用加权平均代替投票方法
D:基本模型之间相关性低
答案: 【】

3、多选题：
以下方法属于集成学习方法的是（ ）
选项：
A:boosting
B:bootstrapping
C:stacking
D:bagging
答案: 【】

4、多选题：
如果用“三个臭皮匠顶个诸葛亮”来比喻集成学习的话，那么对三个臭皮匠的要求可能是：（ ）
选项：
A:选项中说法都不对
B:三个臭皮匠的优点各不相同
C:三个臭皮匠不能太差，每个人考试都能及格
D:三个臭皮匠的缺点各不相同
答案: 【】

5、判断题：
集成学习中个体学习器的多样性不宜高，否则容易顾此失彼，降低系统的总体性能。（ ）
选项：
A:对
B:错
答案: 【】

第九章 单元测试

1、单选题：
向量x=[1,2,3,4,-9,0]的L1范数是 （ ）
选项：
A:20
B:19
C:4
D:5
答案: 【】

2、多选题：
如何在监督式学习中使用聚类算法？（ ）
选项：
A: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
B: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
C: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
D:在应用监督式学习之前，不能创建聚类
答案: 【】

3、多选题：
下列聚类方法属于原型聚类的是 （ ）
选项：
A:DBSCAN
B:高斯混合聚类
C:学习向量量化LVQ
D:K-Means 算法
答案: 【】

4、多选题：
K-Means聚类的主要缺点有：（ ）
选项：
A:对于非凸数据集或类别规模差异太大的数据效果不好
B:K值很难确定
C:聚类效果依赖于聚类中心的初始化
D:原理复杂，不容易实现
E:对噪音和异常点敏感
答案: 【】

5、判断题：
k均值算法和”学习向量量化”都是原型聚类方法，也都属于无监督学习方法。（ ）
选项：
A:对
B:错
答案: 【】

第十章 单元测试

1、单选题：

使用k=1的kNN算法, 下图二分类问题, “+” 和 “o” 分别代表两个类, 那么, 用仅拿出一个测试样本的交叉验证方法, 交叉验证的错误率是（ ）
选项：
A:0% 到 100%
B:0%
C:100%
答案: 【】

2、单选题：
下列说法错误的是？（ ）
选项：
A:利用拉格朗日函数能解带约束的优化问题
B:沿负梯度的方向一定是最优的方向
C:当目标函数是凸函数时，梯度下降算法的解一般就是全局最优解
D:进行 PCA 降维时，需要计算协方差矩阵
答案: 【】

3、单选题：
以下哪些方法不可以直接来对文本分类？（ ）
选项：
A:决策树
B:支持向量机
C:kNN
D:K-Means
答案: 【

4、多选题：
下列哪些算法可以用来够造神经网络？（ ）
选项：
A:线性回归
B:kNN
C:逻辑回归
D:选项中都不行
答案: 【

5、多选题：
我们想要训练一个 ML 模型，样本数量有 100 万个，特征维度是 5000，面对如此大数据，如何有效地训练模型？（ ）
选项：
A:使用 PCA 算法减少特征维度
B:选项中都不对
C:尝试使用在线机器学习算法
D:对训练集随机采样，在随机采样的数据上建立模型
答案: 【】

6、单选题：
上图中，主成分的最佳数目是多少？（ ）
选项：
A:10
B:无法确定
C:20
D:30
答案: 【】

第十一章 单元测试

1、多选题：
关于L1正则和L2正则 下面的说法正确的是（ ）
选项：
A:L2正则化有个名称叫“Lasso regularization”
B:L2正则化表示各个参数的平方和的开方值
C:L2范数可以防止过拟合，提升模型的泛化能力。但L1正则做不到这一点
D:L1范数会使权值稀疏
答案: 【】

2、单选题：
关于特征选择，下列对 Ridge 回归和 Lasso 回归说法正确的是？（ ）
选项：
A:选项中说法都不对
B:Ridge 回归适用于特征选择
C:两个都适用于特征选择
D:Lasso 回归适用于特征选择
答案: 【】

3、单选题：
下列哪一种方法的系数没有闭式（closed-form）解？（ ）
选项：
A:Ridge 回归
B:Lasso
C:选项中都不是
D:Ridge 回归和 Lasso
答案: 【

4、多选题：
我们希望减少数据集中的特征数量。你可以采取以下哪一个步骤来减少特征？（ ）
选项：
A:逐步选择消除法（Stepwise）
B:使用正向选择法（Forward Selection）
C:使用反向消除法（Backward Elimination）
D:计算不同特征之间的相关系数，删去相关系数高的特征之一
答案: 【

5、多选题：
建立线性模型时，我们看变量之间的相关性。在寻找相关矩阵中的相关系数时，如果发现 3 对变量（Var1 和 Var2、Var2 和 Var3、Var3 和 Var1）之间的相关性分别为 -0.98、0.45 和 1.23。我们能从中推断出什么呢？（ ）
选项：
A:Var1 和 Var2 存在多重共线性，模型可以去掉其中一个特征
B:Var1 和 Var2 具有很高的相关性
C:选项中说法都不对
D:Var3 和 Var1 相关系数为 1.23 是不可能的
答案: 【】