機器學習基礎知到智慧樹期末考試答案題庫2025年太原理工大學

機器學習基礎知到智慧樹期末考試答案題庫2025年太原理工大學隨機梯度下降導致方向變化過大，不能很快收斂到最優(yōu)解。（）

答案:對隨機梯度下降中每次迭代使用一個樣本的梯度。（）

答案:對降維的優(yōu)點有哪些（）

答案:減小訓練時間；方便實現數據可視化；方便消除冗余特征邏輯回歸算法是一種廣義的線性回歸分析方法，它僅在線性回歸算法的基礎上，利用Sigmoid函數對事件發(fā)生的概率進行預測。（）。

答案:對邏輯回歸的特征一定是離散的。（）。

答案:錯設實矩陣A有SVD：A=UΣVT，則下列說法錯誤的是（）。

答案:V的每行都是單位向量?訓練完SVM模型后,不是支持向量的那些樣本我們可以丟掉,也可以繼續(xù)分類。（）

答案:對考慮一個有兩個屬性的logistic回歸問題。假設，則分類決策平面是（）。

答案:考慮一個有兩個屬性的logistic回歸問題。假設，則分類決策平面是（）。線性回歸是一種有監(jiān)督機器學習算法，它使用真實的標簽進行訓練。（）

答案:對線性回歸方程中，回歸系數b為負數，表明自變量與因變量為（）

答案:負相關線性回歸中加入正則化可以降低過擬合。（）

答案:對線性回歸中，我們可以使用最小二乘法來求解系數，下列關于最小二乘法說法正確的是（）。

答案:只適用于線性模型，不適合邏輯回歸模型等其他模型；不需要選擇學習率；當特征值很多的時候，運算速率會很慢；不需要迭代訓練現有一個能被正確分類且遠離超平面的樣本，如果將其刪除，不會影響超平面的選擇。（）

答案:對特征空間越大，過擬合的可能性越大。（）

答案:對特征工程非常重要，在采用機器學習算法前，首先需要利用特征工程確定樣本屬性。（）

答案:對梯度下降法中，梯度要加一個負號的原因是（）。

答案:梯度方向是上升最快方向,負號就是下降最快方向梯度下降，就是沿著函數的梯度（導數）方向更新自變量，使得函數的取值越來越小，直至達到全局最小或者局部最小。（）

答案:對梯度上升方法可以求解全局最大或者局部最大值。（）

答案:對根據腫瘤的體積、患者的年齡來判斷良性或惡性，這是一個回歸問題。（）

答案:錯樣本是連續(xù)型數據且有標簽，我們采用（）進行機器學習。

答案:回歸算法機器學習進行的第一步是（）。

答案:特征提取機器學習算法需要顯示編程，具備歸納、總結等自學習能力。（）

答案:錯機器學習算法在圖像識別領域的性能表現可能會超過人類。（）

答案:對機器學習的核心要素包括（）。

答案:數據；算法；算力機器學習方法由（）等幾個要素構成。

答案:模型；損失函數；優(yōu)化算法；模型評估指標機器學習方法傳統(tǒng)上可以分為（）類。

答案:4機器學習和人工智能、深度學習是一個概念，都是指機器模仿人類推理、學習能力。（）

答案:錯樸素貝葉斯適用于小規(guī)模數據集，邏輯回歸適用于大規(guī)模數據集。（）

答案:錯樸素貝葉斯的基本假設是屬性之間是相互獨立的。（）

答案:對樸素貝葉斯的優(yōu)點不包括（）

答案:樸素貝葉斯模型對輸入數據的表達形式很敏感樸素貝葉斯法對缺失數據較敏感。（）

答案:對樸素貝葉斯模型假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的，在屬性相關性較小時，樸素貝葉斯性能良好。而在屬性個數比較多或者屬性之間相關性較大時，分類效果不好。（）

答案:對樸素貝葉斯是概率模型。（）

答案:對樸素貝葉斯是一種典型的基于概率的機器學習方法，它利用了（）

答案:先驗概率、后驗概率樸素貝葉斯分類器基于（）假設

答案:屬性條件獨立性最小二乘法是基于預測值和真實值的均方差最小化的方法來估計線性回歸學習器的參數w和b。（）

答案:對數據預處理對機器學習是很重要的,下面說法正確的是（）。

答案:數據預處理的效果直接決定了機器學習的結果質量數據之間的相關關系可以通過以下哪個算法直接挖掘（）。

答案:Apriori支持向量機求解不可以采用梯度下降方法求解最優(yōu)值。（）

答案:錯支持向量機是那些最接近決策平面的數據點。（）

答案:對批量梯度下降是最原始的形式，它是指在每一次迭代時使用一部分樣本的梯度來更新參數。（）

答案:錯影響KNN算法效果的主要因素包括（）。

答案:K的值；距離度量方式；決策規(guī)則市場上某商品來自兩個工廠，它們市場占有率分別為60%和40%，有兩人各自買一件，則買到的來自不同工廠之概率為（）

答案:0.48小批量梯度下降是結合了批量梯度下降和隨機梯度下降，性能比批量梯度下降和隨機梯度下降都好。（）

答案:對對于線性回歸，我們應該有以下哪些假設（）（1）找到離群點很重要，因為線性回歸對離群點很敏感；（2）線性回歸要求所有變量必須符合正態(tài)分布；（3）線性回歸假設數據沒有多重線性相關性。

答案:其它都不是對于以下哪些任務，K-means聚類可能是一種合適的算法？（）。

答案:給定一個關于用戶信息的數據庫，自動將用戶分組到不同的市場細分中。；根據超市中大量產品的銷售數據，找出哪些產品可以組成組合（比如經常一起購買），因此應該放在同一個貨架上。如果某個項集是頻繁的，那么它的所有超集也是頻繁的。（）

答案:錯如果某個項集是頻繁的，那么它的所有子集也是頻繁的。（）

答案:對如果A為m階實矩陣，則ATA半正定。（）

答案:對如果A為m階實矩陣，ATA與AAT有相同的非零特征值集合。（）

答案:對大部分的機器學習工程中，數據搜集、數據清洗、特征工程這三個步驟要花費大部分時間，而數據建模，占總時間比較少。（）

答案:對在機器學習中，樣本常被分成（）。

答案:其它選項都有在各類機器學習算法中，過擬合和欠擬合都是可以徹底避免的。（）

答案:錯在K近鄰算法中，K的選擇是（）？

答案:與樣本有關回歸問題和分類問題的區(qū)別（）。

答案:回歸問題輸出值是連續(xù)的，分類問題輸出值是離散的哪些情況下必須停止樹的增長（）

答案:當前數據子集的標簽一致；沒有更多可用屬性；當前數據子集為空；當前訓練誤差已經較低分析顧客消費行業(yè)，以便有針對性的向其推薦感興趣的服務，屬于（）問題。

答案:關聯(lián)規(guī)則挖掘決策樹的說法正確的是（）。

答案:它易于理解、可解釋性強；其可作為分類算法，也可用于回歸模型；CART使用的是二叉樹決策樹模型中建樹的基本原則是（）。

答案:信息增益大的屬性應放在上層決策樹模型中如何處理連續(xù)型屬性（）。

答案:根據信息增益選擇閾值進行離散化決策樹學習是一種逼近離散值目標函數的方法，學習到的函數被表示為一棵決策樹。（）

答案:對具有較高的支持度的項集具有較高的置信度。（）

答案:錯關于支持向量機中硬間隔和軟間隔的說法錯誤的是（）

答案:硬間隔有利于消除模型的過擬合關于剪枝，以下算法正確的是（）。

答案:決策樹剪枝的基本策略有預剪枝和后剪枝；ID3算法沒有剪枝操作；剪枝是防止過擬合的手段關于決策樹剪枝操作正確的描述是（）。

答案:可以防止過擬合關于關聯(lián)規(guī)則，正確的是（）。

答案:關聯(lián)規(guī)則挖掘的算法主要有：Apriori和FP-Growth；一個項集滿足最小支持度，我們稱之為頻繁項集；支持度是衡量關聯(lián)規(guī)則重要性的一個指標關于PCA和SVD比較錯誤的是（）

答案:PCA無需進行零均值化公司里有一個人穿了運動鞋，推測是男還是女？已知公司里男性30人，女性70人，男性穿運動鞋的有25人，穿拖鞋的有5人，女性穿運動鞋的有40人，穿高跟鞋的有30人。則以下哪項計算錯誤（）

答案:p(運動鞋｜男性)=25/30假設你訓練SVM后，得到一個線性決策邊界，你認為該模型欠擬合。在下次迭代訓練模型時，應該考慮（）

答案:計算更多變量假設會開車的本科生比例是15%，會開車的研究生比例是23%。若在某大學研究生占學生比例是20%，則會開車的學生是研究生的概率是（）

答案:27.7%假設主成分分析的方式是“95%的方差被保留”，與此等價的說法是（）

答案:假設主成分分析的方式是“95%的方差被保留”，與此等價的說法是（）信息熵是度量樣本集合純度最常用的一種指標。信息熵的值越大，說明樣本集合的純度越高。（）

答案:錯傳統(tǒng)機器學習的應用領域有（）。

答案:信用風險檢測；銷售預測；商品推薦以下選擇主成分數量的合理方法是（n是輸入數據的維度m是輸入示例的數量）（）

答案:選擇至少保留99%的方差的k的最小值以下說法正確的是（）。

答案:logistic回歸的樣本屬性是連續(xù)型數據以下說法中錯誤的是（）。

答案:負定矩陣的特征值即為奇異值以下是一組用戶的年齡數據，將K值定義為2對用戶進行聚類。并隨機選擇16和22作為兩個類別的初始質心，回答以下問題：［15，15，16，19，19，20，20，21，22，28，35，40，41，42，43，44，60，61，65］第一次迭代結束后，樣本20的分類為（）

答案:原質心22的類以下是一組用戶的年齡數據，將K值定義為2對用戶進行聚類。并隨機選擇16和22作為兩個類別的初始質心，回答以下問題：［15，15，16，19，19，20，20，21，22，28，35，40，41，42，43，44，60，61，65］第一次迭代結束后，原質心16的類包含（）個樣本。

答案:3以下是一組用戶的年齡數據，將K值定義為2對用戶進行聚類。并隨機選擇16和22作為兩個類別的初始質心，回答以下問題：［15，15，16，19，19，20，20，21，22，28，35，40，41，42，43，44，60，61，65］第一次迭代結束后，原質心16更新后的質心是（）。

答案:15.33以下是一組用戶的年齡數據，將K值定義為2對用戶進行聚類。并隨機選擇16和22作為兩個類別的初始質心，回答以下問題：［15，15，16，19，19，20，20，21，22，28，35，40，41，42，43，44，60，61，65］第一次迭代中，樣本“15”到質心16的距離是（）

答案:1以下對經典K-means聚類算法解釋正確的是（）

答案:不能自動識別類的個數，隨機挑選初始點為中心點計算以下哪種說法是正確的?（）

答案:KNN是有監(jiān)督學習算法以下關于邏輯回歸與線性回歸問題的描述錯誤的是（）。

答案:邏輯回歸一般要求變量服從正態(tài)分布，線性回歸一般不要求以下關于梯度下降算法說法正確的是（）。

答案:學習率的選取會影響梯度下降算法的求解速度以下關于梯度下降法錯誤的是（）。

答案:特征數量較大可以使用以下關于決策樹特點分析的說法錯誤的有（）。

答案:算法考慮了數據屬性之間的相關性以下關于決策樹原理介紹錯誤的有（）。

答案:決策樹算法屬于無監(jiān)督學習以下關于SVD說法正確的有（）

答案:SVD并不要求分解矩陣必須是方陣以下關于PCA說法正確的是（）

答案:PCA各個主成分之間正交；PCA運算時需要進行特征值分解；PCA運算結果受到屬性方差的影響以下關于KNN說法正確的是（）。

答案:計算復雜度低；對數據沒有假設；對異常值不敏感以下關于K-means算法錯誤的有（）

答案:K-means算法不會出現局部極小值的問題以下關于AdaBoost算法說法錯誤的是（）

答案:在投票時，分類誤差小的弱分類器權重較小以下關于PCA說法正確的是（）

答案:PCA轉換后選擇的第一個方向是最主要特征從某大學隨機選擇8名女大學生，其身高x(cm)和體重y(kg)的回歸方程是y=0.849x-85.712，則身高172cm的女大學生，預測體重為（）。

答案:60.316kg主成分分析是一個線性變化，就是把數據變換到一個新的坐標系統(tǒng)中。（）

答案:對下面梯度下降說法錯誤的是（）。

答案:梯度下降算法速度快且可靠下面有關機器學習的認識正確的是（）。

答案:高質量的樣本對一個機器學習項目是必不可少的下面屬于降維常用的技術的有（）

答案:主成分分析；奇異值分解下面對集成學習模型中的弱學習器描述錯誤的是？（）

答案:弱學習器通常會過擬合下面哪幾種機器學習的分類，完全不需要人工標注數據（）。

答案:無監(jiān)督學習；強化學習下面關于支持向量機（SVM）的描述錯誤的是（）

答案:支持向量機不能處理分界線為曲線的多分類問題下面關于回歸分析的描述錯誤的是（）

答案:按照因變量的多少，可分為線性回歸分析和非線性回歸分析下述哪一個是機器學習的合理定義。（）

答案:機器學習能使計算機能夠在沒有明確編程的情況下學習下列選項中，對于軟間隔支持向量機，超平面應該是（）。

答案:下列選項中，對于軟間隔支持向量機，超平面應該是（）。下列選項中，對于硬間隔支持向量機，超平面應該是（）。

答案:下列選項中，對于硬間隔支持向量機，超平面應該是（）。下列選項中，關于KNN算法說法不正確是（）

答案:效率很高下列存在線性回歸關系的是（）

答案:正三角形的邊長與周長下列關于樸素貝葉斯的特點說法錯誤的是（）

答案:樸素貝葉斯模型無需假設特征條件獨立下列關于主成分分析法(PCA)說法錯誤的是?（）

答案:要選出方差最小的作為主成分下列關于Apriori算法說法錯誤的是（）。

答案:Apriori算法運算過程中不需要找出所有的頻繁項集下列不是SVM核函數的是（）

答案:邏輯核函數下列不屬于線性回歸預測的應用場景的是（）

答案:廣告點擊率下列（）中兩個變量之間的關系是線性的。

答案:重力和質量一般的，一棵決策樹包含一個根結點、若干個內部結點和若干個葉結點；葉結點對應于決策結果，其他每個結點則對應于一個屬性測試；根結點包含樣本全集。（）

答案:對SVM的效率依賴于（）。

答案:其它選項都對SVD可用于求解矩陣的偽逆。（）

答案:對PCA投影方向可從最大化方差和最小化投影誤差這兩個角度理解。（）

答案:對PCA會選取信息量最少的方向進行投影。（）

答案:錯PCA算法獲取的超平面應具有哪些性質（）

答案:數據壓縮性；最大可分性logistic回歸適用于因變量為（）。

答案:多分類有序變量；二分類變量；多分類無序變量Logistic回歸的因變量是連續(xù)型數據。（）。

答案:錯logistic回歸只能用于二分類問題。（）

答案:錯logistic回歸中也可以用正則化方法來防止過擬合。（）

答案:對lasso中采用的是L2正則化。（）

答案:錯K近鄰算法認為距離越近的相似度越高。（）

答案:對K近鄰算法中采用不同的距離公式對于結果沒有影響。（）

答案:錯K近鄰算法中數據可以不做歸一化，因為是否歸一化對結果影響不大。（）

答案:錯K近鄰是一種比較成熟也是比較簡單的機器學習算法，主要用于分類問題。（）

答案:對K均值聚類時，初始質心不好會導致收斂速度差。（）

答案:對K