当前位置: 首页>开发笔记>正文

【机器学习】机器学习30个笔试题

【机器学习】机器学习30个笔试题

机器学习试题

  1. 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?(A)
    A. 多项式阶数
    B. 更新权重 w 时,使用的是矩阵求逆还是梯度下降
    C. 使用常数项

  2. 假设你有以下数据:输入和输出都只有一个变量。使用线性回归模型(y=wx+b)来拟合数据。那么使用留一法(Leave-One Out)交叉验证得到的均方误差是多少?(C)

XY
02
22
31

A. 10/27
B. 39/27
C. 49/27
D. 55/27
3_1. 下列关于极大似然估计(Maximum Likelihood Estimate,MLE),说法正确的是(多选)?(AC)
A. MLE 可能并不存在
B. MLE 总是存在
C. 如果 MLE 存在,那么它的解可能不是唯一的
D. 如果 MLE 存在,那么它的解一定是唯一的

3_2. 下列哪些假设是我们推导线性回归参数时遵循的(多选)?(ABCD)

A. X 与 Y 有线性关系(多项式关系)
B. 模型误差在统计学上是独立的
C. 误差一般服从 0 均值和固定标准差的正态分布
D. X 是非随机且测量没有误差的

4_1. 为了观察测试 Y 与 X 之间的线性关系,X 是连续变量,使用下列哪种图形比较适合?(A)
A. 散点图
B. 柱形图
C. 直方图
D. 以上都不对

4_2. 一般来说,下列哪种方法常用来预测连续独立变量?(A)
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

  1. 个人健康和年龄的相关系数是 -1.09。根据这个你可以告诉医生哪个结论?(C)
    A. 年龄是健康程度很好的预测器
    B. 年龄是健康程度很糟的预测器
    C. 以上说法都不对

  2. 下列哪一种偏移,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。(A)
    在这里插入图片描述

A. 垂直偏移(vertical offsets)
B. 垂向偏移(perpendicular offsets)
C. 两种偏移都可以
D. 以上说法都不对

  1. 假如我们利用 Y 是 X 的 3 阶多项式产生一些数据(3 阶多项式能很好地拟合数据)。那么,下列说法正确的是(多选)?(AD)
    A. 简单的线性回归容易造成高偏差(bias)、低方差(variance)
    B. 简单的线性回归容易造成低偏差(bias)、高方差(variance)
    C. 3 阶多项式拟合会造成低偏差(bias)、高方差(variance)
    D. 3 阶多项式拟合具备低偏差(bias)、低方差(variance)

8_1. 假如你在训练一个线性回归模型,有下面两句话:(B)

  1. 如果数据量较少,容易发生过拟合。
  2. 如果假设空间较小,容易发生过拟合。
    关于这两句话,下列说法正确的是?
    A. 1 和 2 都错误
    B. 1 正确,2 错误
    C. 1 错误,2 正确
    D. 1 和 2 都正确

8_2. 假如我们使用 Lasso 回归来拟合数据集,该数据集输入特征有 100 个(X1,X2,…,X100)。现在,我们把其中一个特征值扩大 10 倍(例如是特征 X1),然后用相同的正则化参数对 Lasso 回归进行修正。(B)
那么,下列说法正确的是?
A. 特征 X1 很可能被排除在模型之外
B. 特征 X1 很可能还包含在模型之中
C. 无法确定特征 X1 是否被舍弃
D. 以上说法都不对

9_1. 关于特征选择,下列对 Ridge 回归和 Lasso 回归说法正确的是?(B)
A. Ridge 回归适用于特征选择
B. Lasso 回归适用于特征选择
C. 两个都适用于特征选择
D. 以上说法都不对

9_2. 如果在线性回归模型中增加一个特征变量,下列可能发生的是(多选)?(AB)
A. R-squared 增大,Adjust R-squared 增大
B. R-squared 增大,Adjust R-squared 减小
C. R-squared 减小,Adjust R-squared 减小
D. R-squared 减小,Adjust R-squared 增大

10.下面三张图展示了对同一训练样本,使用不同的模型拟合的效果(蓝色曲线)。那么,我们可以得出哪些结论(多选)?(ACD)
在这里插入图片描述

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

  1. 下列哪些指标可以用来评估线性回归模型(多选)?(ABCD)
    A. R-Squared
    B. Adjusted R-Squared
    C. F Statistics
    D. RMSE / MSE / MAE

12_1. 线性回归中,我们可以使用正规方程(Normal Equation)来求解系数。下列关于正规方程说法正确的是?(ABC)
A. 不需要选择学习因子
B. 当特征数目很多的时候,运算速度会很慢
C. 不需要迭代训练

12_2. 如果 Y 是 X(X1,X2,…,Xn)的线性函数:
Y = β0 + β1X1 + β2X2 + ··· + βnXn
则下列说法正确的是(多选)?(ABC)
A. 如果变量 Xi 改变一个微小变量 ΔXi,其它变量不变。那么 Y 会相应改变 βiΔXi。
B. βi 是固定的,不管 Xi 如何变化
C. Xi 对 Y 的影响是相互独立的,且 X 对 Y 的总的影响为各自分量 Xi 之和

  1. 构建一个最简单的线性回归模型需要几个系数(只有一个特征)?(B)
    A. 1 个
    B. 2 个
    C. 3 个
    D. 4 个

  2. 如果两个变量相关,那么它们一定是线性关系吗?(B)
    A. 是
    B. 不是

  3. 两个变量相关,它们的相关系数 r 可能为 0。这句话是否正确?(A)
    A. 正确
    B. 错误

16_1. 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?(B)
A. 训练样本准确率一定会降低
B. 训练样本准确率一定增加或保持不变
C. 测试样本准确率一定会降低
D. 测试样本准确率一定增加或保持不变

16_2. 假设一个公司的薪资水平中位数是 $35,000,排名第 25% 和 75% 的薪资分别是21000和 53,000。如果某人的薪水是 $1,那么它可以被看成是异常值(Outlier)吗?©
A. 可以
B. 不可以
C. 需要更多的信息才能判断
D. 以上说法都不对

  1. 关于“回归(Regression)”和“相关(Correlation)”,下列说法正确的是?注意:x 是自变量,y 是因变量。©
    A. 回归和相关在 x 和 y 之间都是互为对称的
    B. 回归和相关在 x 和 y 之间都是非对称的
    C. 回归在 x 和 y 之间是非对称的,相关在 x 和 y 之间是互为对称的
    D. 回归在 x 和 y 之间是对称的,相关在 x 和 y 之间是非对称的

  2. 仅仅知道变量的均值(Mean)和中值(Median),能计算的到变量的偏斜度(Skewness)吗?(B)
    A. 可以
    B. 不可以

  3. 观察样本次数如何影响过拟合(多选)?注意:所有情况的参数都保持一致。(AD)
    A. 观察次数少,容易发生过拟合
    B. 观察次数少,不容易发生过拟合
    C. 观察次数多,容易发生过拟合
    D. 观察次数多,不容易发生过拟合

  4. 假如使用一个较复杂的回归模型来拟合样本数据,使用 Ridge 回归,调试正则化参数 λ,来降低模型复杂度。若 λ 较大时,关于偏差(bias)和方差(variance),下列说法正确的是?©
    A. 若 λ 较大时,偏差减小,方差减小
    B. 若 λ 较大时,偏差减小,方差增大
    C. 若 λ 较大时,偏差增大,方差减小
    D. 若 λ 较大时,偏差增大,方差增大

  5. 假设使用逻辑回归进行 n 多类别分类,使用 One-vs-rest 分类法。下列说法正确的是?(A)
    A. 对于 n 类别,需要训练 n 个模型
    B. 对于 n 类别,需要训练 n-1 个模型
    C. 对于 n 类别,只需要训练 1 个模型
    D. 以上说法都不对

  6. 在 n 维空间中(n > 1),下列哪种方法最适合用来检测异常值?(B)
    A. 正态概率图
    B. 箱形图
    C. 马氏距离
    D. 散点图

19_1. 逻辑回归与多元回归分析有哪些不同之处?(D)
A. 逻辑回归用来预测事件发生的概率
B. 逻辑回归用来计算拟合优度指数
C. 逻辑回归用来对回归系数进行估计
D. 以上都是

19_2. 下列关于 bootstrap 说法正确的是?©
A. 从总的 M 个特征中,有放回地抽取 m 个特征(m < M)
B. 从总的 M 个特征中,无放回地抽取 m 个特征(m < M)
C. 从总的 N 个样本中,有放回地抽取 n 个样本(n < N)
D. 从总的 N 个样本中,无放回地抽取 n 个样本(n < N)

  1. “监督式学习中存在过拟合,而对于非监督式学习来说,没有过拟合”,这句话是否正确?(B)
    A. 正确
    B. 错误

  2. 关于 k 折交叉验证,下列说法正确的是?(D)
    A. k 值并不是越大越好,k 值过大,会降低运算速度
    B. 选择更大的 k 值,会让偏差更小,因为 k 值越大,训练集越接近整个训练样本
    C. 选择合适的 k 值,能减小验方差
    D. 以上说法都正确

  3. 如果回归模型中存在多重共线性(multicollinearity),应该如何解决这一问题而不丢失太多信息(多选)?(BCD)
    A. 剔除所有的共线性变量
    B. 剔除共线性变量中的一个
    C. 通过计算方差膨胀因子(Variance Inflation Factor,VIF)来检查共线性程度,并采取相应措施
    D. 删除相关变量可能会有信息损失,我们可以不删除相关变量,而使用一些正则化方法来解决多重共线性问题,例如 Ridge 或 Lasso 回归。

  4. 评估完模型之后,发现模型存在高偏差(high bias),应该如何解决?(B)
    A. 减少模型的特征数量
    B. 增加模型的特征数量
    C. 增加样本数量
    D. 以上说法都正确

24.在构建一个决策树模型时,我们对某个属性分割节点,下面四张图中,哪个属性对应的信息增益最大?(A)
在这里插入图片描述

A. outlook
B. humidity
C. windy
D. temperature

  1. 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(多选)?(BC)
    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

  2. 如果一个 SVM 模型出现欠拟合,那么下列哪种方法能解决这一问题?(A)
    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)

  3. 我们知道二元分类的输出是概率值。一般设定输出概率大于或等于 0.5,则预测为正类;若输出概率小于 0.5,则预测为负类。那么,如果将阈值 0.5 提高,例如 0.6,大于或等于 0.6 的才预测为正类。则准确率(Precision)和召回率(Recall)会发生什么变化(多选)?(AC)
    A. 准确率(Precision)增加或者不变
    B. 准确率(Precision)减小
    C. 召回率(Recall)减小或者不变
    D. 召回率(Recall)增大

28_1. 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?(B)
A. 模型正确率很高,不需要优化模型了
B. 模型正确率并不高,应该建立更好的模型
C. 无法对模型做出好坏评价
D. 以上说法都不对

28_2. 假设我们使用 kNN 训练模型,其中训练数据具有较少的观测数据(下图是两个属性 x、y 和两个标记为 “+” 和 “o” 的训练数据)。现在令 k = 1,则图中的 Leave-One-Out 交叉验证错误率是多少?((D)
在这里插入图片描述

A. 0%
B. 20%
C. 50%
D. 100%

  1. 如果在大型数据集上训练决策树。为了花费更少的时间来训练这个模型,下列哪种做法是正确的?©
    A. 增加树的深度
    B. 增加学习率
    C. 减小树的深度
    D. 减少树的数量

  2. 关于神经网络,下列说法正确的是?(AC)
    A. 增加网络层数,可能会增加测试集分类错误率
    B. 增加网络层数,一定会增加训练集分类错误率
    C. 减少网络层数,可能会减少测试集分类错误率
    D. 减少网络层数,一定会减少训练集分类错误率

https://www.zydui.com/af76dV28EAw4.html
>

相关文章:

  • IQVIA醫藥咨詢隨筆雜談
  • 爬取英雄聯盟英雄皮膚數據
  • 英雄聯盟 連接服務器失敗 請檢查您的網絡 是否啟用修復程序進行修復,英雄聯盟玩不了,提示未知的directx錯誤...
  • 三位千萬富翁告訴你:錢是怎么賺來的
  • 芳香之城傳奇的美麗神話故事
  • Solid Converter PDF注冊碼
  • 修改linux下面的字符集
  • 30個不可思議的好玩又實用的HTML5移動應用
  • 安卓新出病毒幽靈推,回顧android歷史上的那些吸費病毒
  • 游戲編程技術貼:AI設計的若干規則闡述
  • mac啟動自動運行程序_什么啟動了,為什么在我的Mac上運行?
  • 什么是UserEventAgent,它為什么在Mac上運行?
  • 蔚來汽車新財報超預期,短期或難盈利互聯網造車行不通嗎?
  • 車行的進貨問題
  • spring BeanFactory 家族介紹
  • 地址家族/名字解析
  • VS中怎么調出資源方案管理器
  • 告別低效工作,幫你重新找回工作的掌控感
  • 從Mac連接Windows共享打印機(1)
  • c4d流體插件_Cinema 4D 流體模擬插件 TurbulenceFD C4D v1.0 Build 1425 Win64
  • 經典生活總結語錄(搞笑欣賞)
  • 項目打包打的是什么包_早安打工人是什么梗,朋友圈打工人文案語錄表情包!...
  • 前端學習從入門到高級全程記錄之25(webapi)
  • 中職計算機應用普測考試試題及答案,2017職稱計算機考試WPS_Office檢測練習及答案9...
  • 微型計算機的主板又稱為,供電設計比7999元的主板還猛,ROG M11A主板首次亮相
  • webStorm使用斷點
  • 逆風翻盤?順豐大股東聯手本來集團上演O2O+B2C生鮮大戲
  • 三國志戰略版:Daniel_“坦克兵種”象兵分析
  • RISK-V品牌的中國化歷程(下)
  • 網游找call通殺方法之另辟蹊徑