人工智能导论 习题答案（吕云翔）章节习题（第6章）.docx

人工智能导论习题答案机器学习章节习题习题选择题. Logistics regression和一般回归分析有什么区别？A. Logistics regression可以用来预测事件可能性的Logistics regression可以用来度量模型拟合程度B. Logistics regression可以用来估计回归系数D.以上所有1 .想在大数据集上训练决策树，为了减少训练时间，可以：A.增加树的深度B.增加学习率(learning rate)C.减少树的深度D.减少树的数量.以下说法正确的选项是：A. 一个机器学习模型，如果有较高准确率，说明这个分类器一定是好的B.如果增加模型复杂度，那么模型的测试错误率总是会降低C.如果增加模型复杂度，那么模型的训练错误率通常是会降低的D.不可以使用聚类“类别id”作为一个新的特征项，然后再用监督学习分别 进行学习.如果SVM模型欠拟合，以下方法哪些可以改进模型：A.增大惩罚参数C的值B.减小惩罚参数C的值C.减小核系数(gamma参数).当模型的bias高时,我们如何降低它?A.在特征空间中减少特征B.在特征空间中增加特征C.增加数据点.在其他条件不变的前提下，以下哪种做法容易引起机器学习中的过拟合问题A增加训练集量B减少神经网络隐藏层节点数C删除稀疏的特征SD SVM算法中使用高斯核/RBF核代替线性核.关于SVM泛化误差描述正确的选项是A、超平面与支持向量之间距离B、SVM对未知数据的预测能力C、SVM的误差阈值.如果使用数据集的全部特征并旦能够到达100%的准确率，但在测试集上仅能 到达7（）%左右，这说明：A、欠拟合B、模型很棒C、过拟合. 一般来说，以下哪种方法常用来预测连续独立变量？A.线性回归B.逻辑回顾C.线性回归和逻辑回归都行D.以上说法都不对10.下面三张图展示了对同一训练样本（散点），使用不同的模型拟合的效果（曲 线）。那么，我们可以得出哪些结论（多项选择）？A.第1个模型的训练误差大于第2个、第3个模型B.最好的模型是第3个，因为它的训练误差最小C.第2个模型最为“健壮”，因为它对未知样本的拟合效果最好D.第3个模型发生了过拟合E.所有模型的表现都一样，因为我们并没有看到测试数据判断题1 .训练一个支持向量机，除去非支持向量后仍能分类；2 .在线性可分的情况下，支持向量是那些最接近决策平面的数据点；3 .构建一个最简单的线性回归模型需要2个系数（只有一个特征）；4 .知道变量的均值（Mean）和中值（Median）,即可以计算到变量的偏斜 度（Skewness）；5 . Logislics regression回归的RELU函数将输出概率限定在0,1之间。6 .k折交叉验中的k值并不是越大越好，k值过大，会降低运算速度；7 .回归模型中存在多重共线性（multicollinearity）的问题，可以通过剔除 所有的共线的变量来解决此问题；8 .评估训练后的模型，发现模型存在高偏差，可以通过增加模型的特征的数 量来解决此问题；9 .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%o那么，此时模型正确率并不高，应该建立更好的模型。10.回归和分类问题都可能发生过拟合。答案:选择题1. D2. C3. C4. A5. B6. D7. B8. C9. A10. ABC判断题LT2 .T3 .T4 . F5 . F6 .T7 . F8 .T9 .T10 . T