天才一秒记住本站地址：[乐阅读]
https://www.leduxs.com/最快更新！无广告！
√
）2、线性回归模型的目标函数为残差平方和最大化（残差平方和最小化
）3、特征向量中心度度量节点在网络中的影响力。网络中每个节点被赋予一个影响力分数，一个节点与更多的高分节点相连，其分数也趋向于更高。（
√
）4、强化学习使用已标记的数据，根据延迟奖励学习策略。（
未标记的数据，通过与环境的交互来收集数据进行学习
）5、过拟合是机器学习中一个重要概念，是指模型过于复杂，导致对测试数据预测很好，但对训练数据预测很差。（
对训练数据预测很好，对测试数据预测很差
）三、分析题（本题满分30分，共含5道小题，每小题6分）1、现有样本如下：0，2，3，4，5，6，7，8，9，10，41，42，43，44，45，46，47，48，49，50。使用等距离散化来处理该样本，将样本分为5个区间段。有几个区间内样本容量不为0？你的答案：2你的计算过程：首先，计算样本的最小值和最大值：最小值：0最大值：50然后，确定分为5个区间时的间距：(最大值
最小值)
/
区间数
=
(50
0)
/
5
=
10接下来，以间距为10进行等距离散化：区间1：09
（共10个样本）区间2：1019
（无样本）区间3：2029
（无样本）区间4：3039
（无样本）区间5：4050
（共11个样本）根据以上结果，有2个区间段（区间2和区间3）内的样本容量不为0。请注意，这种等距离散化方式可能导致某些区间没有样本，而其他区间样本较多。2、随机森林采用的是什么集成方法？（A.
这种集成方法适用于什么情况？你的选择：bagging你的解释：Bagging（自举汇聚法）适用于以下情况：训练数据较少，需要尽可能充分利用现有的有限样本。数据集存在较强的噪声或离群点，需要通过多个模型的平均来减小噪声影响。需要降低模型的方差，提高模型的稳定性和鲁棒性。模型复杂度较高，容易过拟合，需要引入随机性增加泛化能力通过对原始训练集进行有放回的抽样，构建多个子模型。每个子模型相互独立地训练，并通过取平均值（回归问题）或投票（分类问题）的方式进行预测。随机森林就是一种基于Bagging思想的集成学习算法，它使用决策树作为基分类器，并通过对特征的随机选择进一步增加模型的多样性。由于Bagging的平行结构，随机森林可以有效处理大规模数据，具有较好的预测性能和计算效率。3、为了考察一种新的教学方法对学生英语成绩的影响，某学校进行了调查，共得到400个样本数据。数据表中GRADE为标签，PSI、GPA、TUC为特征为分类数据，取1表示学习成绩提高，0表示学习成绩没有提高；PSI为分类数据，取1表示接受了新的教学方法指导，0表示没有接受新的教学方法指导；GPA表示学生平均积分点，为数值型数据；TUC表示以往的学生成绩，为数值型数据。假如，想了解GPA、TUC和PSI对学生成绩是否有影响，以及预测学生学习成绩是否会提高，你会选择下述用哪个。
模型？为什么？（A.线性回归
B.逻辑回归
C.聚类
D.关联规则挖掘）你的选择：逻辑回归你的解释：逻辑回归是一种广泛应用于分类问题的机器学习算法。在这个情况下，我们的目标是预测学习成绩是否提高，这是一个二分类问题，即学习成绩提高或不提高。逻辑回归可以用来建立一个概率模型，根据给定的特征值（GPA、TUC和PSI），计算出学生成绩提高的概率。逻辑回归模型的输出是一个概率值，表示学生成绩提高的可能性。这使得我们能够根据学生的特征值进行预测，并判断他们学习成绩是否会提高。此外，逻辑回归还可以提供每个特征的权重系数，帮助我们理解各个特征对学生成绩的影响程度。线性回归
(A.线性回归)
也可用于这个问题，但它更适用于连续数值型的目标变量的预测，而不是二分类问题。聚类
(C.聚类)
是无监督学习方法，不适用于这个情况。关联规则挖掘
(D.关联规则挖掘)
通常用于发现数据中的频繁项集和关联关系，不太适合用于预测学生成绩的问题。因此，在给出的选项中，选择使用逻辑回归模型（B.逻辑回归）是合适的，它可以用于预测学生学习成绩是否会提高，并了解GPA、TUC和PSI对学生成绩的影响程度。4、Kmeans算法在给定数据集上运行第一次后的结果为，数据集分为三个簇：
cluster1：
(1,
3)、
(2,4)；cluster2：
(4,
0)
、(2,
0)；cluster3
：(0,
3)、
(0,
5)。样本(0,
3)和cluster2的质心之间的曼哈顿距离为：你的答案：5你的计算过程：Cluster2的质心：(4+2)/2=3;0样本的坐标是
(0,
3)，Cluster
2
的质心是
(3,
0)。将给定的点代入公式，我们有：d
=
|3
0|
+
|0
3|=
|3|
+
|3|=
3
+
3=
6。
。。
1Bagging（包装法）：优势：Bagging通过随机有放回地对训练数据进行采样，每个基分类器独立训练，然后通过投票或平均等方式进行集成，能够有效降低过拟合风险，提高模型的泛化能力。它尤其适合在高方差的模型上使用，如决策树等。局限性：对于高偏差的模型来说，Bagging可能无法显着改善模型性能。此外，由于基分类器的独立性，Bagging不容易处理存在较强相关性的数据，比如时间序列数据。使用场景：Bagging通常用于分类和回归问题，在数据集较大且噪声相对较小的情况下表现良好提升法）：优势：Boosting通过迭代地训练一系列基分类器，并根据前一个分类器的性能对样本权重进行调整，使得基分类器逐渐关注于难以分类的样本。它能够有效提高模型的精度和泛化能力，尤其适合解决高偏差的问题。局限性：Boosting对噪声和异常值比较敏感，容易导致过拟合。此外，由于基分类器之间存在依赖关系，Boosting的训练过程相对较慢。使用场景：Boosting通常用于分类问题，在需要处理高偏差或低准确度的场景下表现出色堆叠法）：优势：Stacking通过在多个基分类器上构建一个元分类器来进行集成，可以充分利用各个基分类器的预测结果，进一步提升性能。通过允许使用更复杂的元分类器，Stacking具有更强大的表达能力。局限性：Stacking的主要挑战在于选择合适的元特征以及使用交叉验证避免数据泄露。此外，Stacking通常需要更多的计算资源和时间来进行模型训练和预测。使用场景：Stacking适用于各类机器学习问题，并且在数据集相对较大、前期已经进行了一定特征工程的情况下效果较好。喜欢离语请大家收藏：
章节错误,点此报送(免注册),
报送后维护人员会在两分钟内校正章节内容,请耐心等待。