选项:
- n_components可以取大于等于1的整数，此时表示目标维度
- n_components取值为(0，1]之间的浮点数时，用累积贡献率来决定维数，即目标维度要使的对应的累积贡献率刚好大于等于该值
- 默认时无输入，此时n_components=min(样本数，特征数)
- 取值为字符串“mle”时, 用MLE算法自己选择一定数量的主成分特征来降维

48.(判断题)
可以通过sklearn.decomposition.PCA()中的成员变量explained_variance_，获取协方差矩阵的特征根。

答案:
- 对
- 错

49.(判断题)
可以对sklearn.decomposition.PCA()中的成员变量explained_variance_ratio_进行求和，来获取累积贡献率。

答案:
- 对
- 错

50.(判断题)
可以通过sklearn.decomposition.PCA()中的成员变量mean_，获取训练样本的均值。

答案:
- 对
- 错

51.(判断题)
可以通过sklearn.decomposition.PCA()中的成员变量components_ ，获取降维矩阵。

答案:
- 对
- 错

52.(判断题)
KernelPCA是在更高维空间进行降维，所以需要设计低维到高位的投影函数。

答案:
- 对
- 错

53.(单选题)
sklearn中使用核PCA的类是：

选项:
- KernelPCA
- PCA
- LinearDiscriminantAnalysis
- KernelSVM

54.(单选题)
在sklearn中使用PCA和核PCA这两个类时，初始化类时，目标维度均使用如下哪个参数指定？

选项:
- n_components
- kernel
- gamma
- degree

55.(多选题)
在sklearn中，当使用PCA类时，如下选项哪些是关于核函数的参数？

选项:
- linear
- poly
- rbf
- sigmoid

56.(单选题)
在sklearn中，核PCA类使用如下哪个参数kernel指定和函数类型？

选项:
- n_components
- kernel
- gamma
- degree

57.(判断题)
使用核PCA时，针对训练集的核矩阵是对称矩阵。

答案:
- 对
- 错

58.(多选题)
在核PCA的过程中，在训练阶段针对训练集需要完成的步骤有哪些？

选项:
- 计算核矩阵
- 对核矩阵进行中心化处理
- 特征值分解，确定投影矩阵
- 通过高维映射确定样本在高维空间中的投影

59.(多选题)
在核PCA的过程中，在测试阶段针对测试集需要完成的步骤有哪些？

选项:
- 计算测试集对应的核矩阵
- 测试集核矩阵中心和
- 使用训练阶段确定的投影矩阵，对测试机核矩阵进行投影
- 将结果投影到原始的特征空间

60.(判断题)
KernelPCA是在更高维空间进行降维，所以需要设计低维到高位的投影函数。

答案:
- 对
- 错

61.(单选题)
sklearn中使用核PCA的类是：

选项:
- KernelPCA
- PCA
- LinearDiscriminantAnalysis
- KernelSVM

62.(单选题)
在sklearn中使用PCA和核PCA这两个类时，初始化类时，目标维度均使用如下哪个参数指定？

选项:
- n_components
- kernel
- gamma
- degree

63.(多选题)
在sklearn中，如下选项哪些是关于核PCA方法的关于核函数的参数？

选项:
- linear
- poly
- rbf
- sigmoid

64.(单选题)
在sklearn中，核PCA类使用如下哪个参数kernel指定和函数类型？

选项:
- n_components
- kernel
- gamma
- degree

65.(判断题)
使用核PCA时，针对训练集的核矩阵是对称矩阵。

答案:
- 对
- 错

66.(多选题)
在核PCA的过程中，在训练阶段针对训练集需要完成的步骤有哪些？

选项:
- 计算核矩阵
- 对核矩阵进行中心化处理
- 特征值分解，确定投影矩阵
- 通过高维映射确定样本在高维空间中的投影

67.(多选题)
在核PCA的过程中，在测试阶段针对测试集需要完成的步骤有哪些？

选项:
- 计算测试集对应的核矩阵
- 测试集核矩阵中心和
- 使用训练阶段确定的投影矩阵，对测试机核矩阵进行投影
- 将结果投影到原始的特征空间

68.(多选题)
下述降维方法是无监督的有？

选项:
- PCA
- KernelPCA
- LDA

69.(判断题)
LDA的核心思想是投影后保证类间距离最大化，类内距离最小化。

答案:
- 对
- 错

70.(判断题)
PCA选择分类性能最好的投影方向。

答案:
- 对
- 错

71.(单选题)
LDA降维后的维度需要满足？

选项:
- 小于样本个数即可
- 小于类别数即可
- 可以等于样本个数，也可以等于类别数
- 不超过样本个数，同时小于类别数

72.(判断题)
LDA无需对样本中心化处理。

答案:
- 对
- 错

73.(单选题)
用于LDA降维的类sklearn.discriminant_analysis.LinearDiscriminantAnalysis，其哪个参数用于指定目标维度？

选项:
- solver
- n_components
- covariance_estimator
- store_covariance

74.(单选题)
用于LDA降维的类sklearn.discriminant_analysis.LinearDiscriminantAnalysis，其哪个方法用于测试样本的投影？

选项:
- fit_transform
- fit
- transform
- predict

75.(单选题)
用于LDA降维的类sklearn.discriminant_analysis.LinearDiscriminantAnalysis，其哪个方法用于预测类别？

选项:
- fit_transform
- fit
- transform
- predict

76.(单选题)
L1正则化和L2正则化中，哪一个更有让所学参数具有稀疏的趋势？

选项:
- L1正则化
- L2正则化
- 它们没有区别

77.(判断题)
在回归问题中，对标注（即输出值）做标准化，不影响回归模型的评价指标值。

答案:
- 对
- 错

78.(多选题)
在回归问题中，对标注（即输出值）做标准化，回归模型的评价指标值改变的是？

选项:
- 均方误差
- 平均绝对误差
- 决定系数
- 召回率

79.(判断题)
在前馈神经网络中，如果每一层均不使用非线性激活函数，那么该神经网络是一个线性模型。

答案:
- 对
- 错

80.(判断题)
使用前馈神经网络进行推理，是正向传播过程。

答案:
- 对
- 错

81.(判断题)
训练前馈神经网络的核心过程是误差反向传播过程。

答案:
- 对
- 错

82.(单选题)
使用如下网络，输入是（1,1）的，输出是多少？

其中，激活函数是变异的符号函数，即如果输入是非负数，那么输出为1；否则输出0.

选项:
- 0
- 1
- -0.5
- -1.5

83.(多选题)
在推理阶段，对于给定的输入，一个前馈神经网络的输出结果和以下哪些项有关？

选项:
- 激活函数
- 相邻两层之间的权重系数
- 每个神经元的偏置
- 学习率

84.(多选题)
在训练阶段，对于给定的网络结构，最终的模型和以下哪些项有关？

选项:
- 学习率
- 训练轮数（Epoch）
- 参数初始化方法
- 损失函数

85.(判断题)
在使用sklearn的数据标准化类的时候，成员函数fit_transform和transform是一样的，没有区别。

答案:
- 对
- 错

86.(判断题)
Binarizer类中的fit()方法没有实质性作用。

答案:
- 对
- 错

87.(判断题)
在测试集上可以使用MaxAbsScale类的fit_transform()方法。

答案:
- 对
- 错

88.(判断题)
Normalizer类当norm='inf'时，实现的功能与MaxAbsScale类一样。

答案:
- 对
- 错

89.(单选题)
在定义卷积层是，卷积核的通道数如何确定？

选项:
- 必须等于当前被卷积的数据的通道数
- 由人工确定
- 等于3
- 等于输出数据的通道数

90.(判断题)
使用StandardScaler变换以后，数据的取值范围变为(0,1)。

答案:
- 对
- 错

91.(单选题)
卷积结果的通道数如何确定？

选项:
- 等于卷积核的通道数
- 等于卷积核的数量
- 等于当前被卷积的数据的通道数
- 等于3

92.(单选题)
针对输入是224X224X3的特征，使用11X11X3的卷积核，步长为4，填充为2，那么输出特征的空间尺寸为？

选项:
- 55X55
- 224X224
- 112X112
- 234X234

93.(单选题)
连续使用三次3X3卷积，其感受野相当于多大？

选项:
- 3X3
- 5X5
- 7X7
- 9X9

94.(判断题)
VGG的特点是连续使用堆叠的3X3卷积核来扩大感受野。

答案:
- 对
- 错

95.(判断题)
1X1卷积核的作用相当于对特征在通道方向上加权求和。

答案:
- 对
- 错

96.(判断题)
ResNet使用残差连接大大加深了卷积神经网络的深度。

答案:
- 对
- 错

97.(判断题)
DenseNet通过特征重用，既大幅度减少了网络的参数量，又在一定程度上缓解了梯度消失问题的产生。

答案:
- 对
- 错

期末上机测试-数科22

1.(填空题)
原始数据的样本数量为

答案:
- 10000

2.(填空题)
原始数据的特征维度为

答案:
- 64

3.(填空题)
特征的第1个维度的均值是？（请四舍五入保留4位小数）

答案:
- 0.0081

4.(填空题)
特征的第1个维度的标准差是？（请四舍五入保留4位小数）

答案:
- 0.9992

5.(填空题)
PCA的目标维度为？

答案:
- 63

6.(填空题)
PCA的降维矩阵的第一个元素为？（请四舍五入保留4位小数）

答案:
- 0.0016

7.(填空题)
模型在测试集上的准确率是？（请四舍五入保留4位小数）

答案:
- 0.6373

8.(填空题)
模型在测试集上的召回率是？（请四舍五入保留4位小数）

答案:
- 0.6417

9.(填空题)
模型在测试集上的精确率是？（请四舍五入保留4位小数）

答案:
- 0.6882

10.(填空题)
模型在测试集上的F1值是？（请四舍五入保留4位小数）

答案:
- 0.6152

11.(填空题)
第一个测试样本的预测类别为？

答案:
- 1

12.(填空题)
第二个测试样本的预测类别为？

答案:
- 1

13.(填空题)
第三个测试样本的预测类别为？

答案:
- 1

分类阶段性测试一-分类

1.(多选题)
机器学习三要素是？

选项:
- 模型
- 策略
- 算法
- 样本

2.(判断题)
感知器算法的损失函数是误分类点的总数。

答案:
- 对
- 错

3.(填空题)
sklearn提供的感知器类是Perceptron，该类实例化的时候一个重要的参数是eta0，请问该参数表示什么？

答案:
- 学习率

4.(多选题)
下述指标常用来评价分类模型的有哪些？

选项:
- 准确率（accuracy）
- 精确率（precision）
- 召回率（recall）
- F1-值（F1-score）
- 均方误差

5.(段落说明)
现有10个样本，6个阳性（positive），4个阴性（negative）。模型分别将2个阳性和1个阴性样本预测错误，其余样本均预测正确。请根据该数据，完成下述四个题目。

答案:
- 暂无答案

6.(填空题)
模型的准确率（accuracy）是多少？（保留两位小数）

答案:
- 0.70

7.(填空题)
模型的精确率（precision）是多少？（保留两位小数）

答案:
- 0.80

8.(填空题)
模型的召回率（recall）是多少？（保留两位小数）

答案:
- 0.67

9.(填空题)
F1-值（F1-score）是多少？（保留两位小数）

答案:
- 0.73

10.(单选题)
点击率的预测是一个数据比例不平衡问题（比如训练集中样本呈阴性的比例为99%，阳性的比例是1%），如果我们用这种数据建立模型并使得训练集的准确率高达99%。下列说法正确的是

选项:
- 模型的准确率非常高，我们不需要进一步探索
- 不能确定模型是否好，应该进一步探讨精确率（precision），如果精确率高，说明模型好。
- 训练样本中阳性和阴性样本的比例不影响模型的性能。
- 不能确定模型是否好，应该进一步探讨召回率（recall），如果召回率低，说明模型不好，需要重新考虑。

11.(单选题)
下列关于支持向量机模型叙述错误的是？

选项:
- 对偶问题的解中非零的alpha对应的样本是支持向量。
- 将不是支持向量的样本去掉后，使用相同参数重新求得的超平面可能会不同。
- 当惩罚系数C趋于无穷大时，软间隔最大化问题会退化为硬间隔最大化问题。
- 惩罚系数C越小，间隔越大，模型的泛化性能越差。

12.(单选题)
支持向量机的损失函数是？

选项:
- 0-1损失函数
- 交叉熵损失函数
- KL-散度
- 合页损失函数

13.(判断题)
线性不可分问题不能使用支持向量机模型求解。

答案:
- 对
- 错

14.(单选题)
sklearn中用支持向量机分类的类名是SVC，该类默认使用的核是？

选项:
- 径向基核函数
- 多项式核函数
- 线性核函数
- Sigmoid核函数

15.(单选题)
下列关于多类分类问题，叙述错误的是

选项:
- 多类分类问题可以转化为二分类问题
- one-versus-rest方法可以将多类分类问题转化为二分类问题，但是存在训练样本不平衡的问题。
- one-versus-one方法可以将多类分类问题转化为二分类问题，与one-versus-rest方法的计算量相当
- one-versus-one方法通常使用投票原则预测分类结果。

16.(单选题)
下列算法属于生成式模型的是？

选项:
- 朴素贝叶斯
- 支持向量机
- 感知器算法
- 决策树

17.(单选题)
下列关于朴素贝叶斯叙述错误的是？

选项:
- 朴素贝叶斯模型的核心假设是“在类别已知的情况下，特征条件独立”。
- 朴素贝叶斯模型无法解决连续特征的分类问题。
- 朴素贝叶斯常用于文本分类。
- 拉普拉斯平滑可以有效解决零概率问题。

18.(单选题)
sklearn中用于分类任务的K-近邻算法的类是KNeighborClassifier，下述那个参数是算法中的K？

选项:
- n_neighbors
- metric
- p
- weights

19.(判断题)
K-近邻算法中的超参数K太大和太小对模型都有影响，不同的问题应该选择合适的K。

答案:
- 对
- 错

20.(判断题)
KD-树中的K和K-近邻中的K都是表示满足特定条件的样本个数。

答案:
- 对
- 错

21.(判断题)
KD-树和Ball-树都是为了提升K-近邻算法查找K个近邻样本的效率而设计的数据结构。与暴力搜索相比，它们在特征维度较小时有明显优势。

答案:
- 对
- 错

22.(多选题)
下列选项中关于K-近邻算法叙述正确的有

选项:
- K-近邻算法没有明显的训练过程，计算量主要体现在测试阶段。
- 用K-近邻算法分类，预测速度与训练样本多少无关，只与测试样本的数量有关系。
- K-近邻算法的运算速度与特征的维度无关。
- 在使用sklearn中的K-近邻算法时，如果选择了KD-树或Ball-树等数据结构，fit阶段主要用来构建相应的数据结构。

23.(多选题)
关于决策树，下列说法正确的有

选项:
- 构建决策树的关键是确定划分属性。
- 决策树越深模型的分类效果越好。
- 如果使用信息增益确定最优划分属性，应该选择信息增益大的属性。
- 如果使用基尼指数确定最优划分属性，应该选择基尼指数大的属性。

24.(单选题)
用决策树分类时，如果训练集规模很大，那么下面哪种方式比较合理？

选项:
- 降低特征的维度
- 1. 增加学习率
- 3. 减少树的深度
- 挑选少量样本来训练

25.(多选题)
决策树剪枝的主要目的是？

选项:
- 降低过拟合风险
- 降低欠拟合风险
- 提高模型在训练集的准确率
- 提高模型的泛化能力

26.(多选题)
经典决策树有ID3，C4.5，CART等，下列选项中关于这些算法叙述正确的有

选项:
- ID3没有考虑连续特征。
- ID3使用信息增益确定划分属性。
- C4.5使用增益率确定划分属性。
- CART生成的树是二叉树，使用了基尼指数确定划分属性。
- C4.5和CART都可以处理连续属性，都考虑了剪枝，都考虑了缺失值的处理。
- 构建相同深度的决策树，CART比C4.5的运算量大。

27.(多选题)
下列选项中，哪些算法使用串行策略，通过提升的方式，由若干弱分类器构建出强分类器？

选项:
- AdaBoost
- 梯度提升树
- 决策树
- Bagging

28.(多选题)
下列选项中，关于AdaBoost算法描述正确的有？

选项:
- AdBoost算法通过调整样本的分布，使得当前的弱分类器会优先将分布值大的样本分对。
- AdaBoost算法是向前分步算法的特例。
- 在sklearn中，用于分类的AdaBoost算法对应的类是AdaBoostClassifier，其中参数n_estimators是弱分类器个数。
- AdaBoost算法很好地体现了好而不同的策略。

29.(多选题)
下列选项中，关于Bagging，叙述正确的有？

选项:
- 在测试阶段，Bagging在学习到的基学习器中通过投票规则确定最终分类结果。
- Bagging通过Bootstrap重采样的方式实现样本扰动，进而使各基学习器具有差异性。
- 在sklearn中，用于分类的Bagging算法对应的类是BaggingClassifier，其中参数n_estimators是基学习器的个数。
- Bootstrap重采样保证了所有训练样本都将被用来训练某个基学习器。

30.(单选题)
bootstrap 数据的含义是：

选项:
- 有放回的从整体M中抽样m个特征
- 无放回的从整体M中抽样m个特征
- 有放回的从整体N中抽样n个样本
- 无放回的从整体N中抽样n个样本

31.(多选题)
下列选项中，关于随机森林叙述正确的有？

选项:
- 随机森林通过样本扰动和属性扰动使每棵决策树具有差异性。
- 大多数情况下，随机森林的性能优于Bagging。
- 随机森林很好地使用了分而治之的策略。
- 构建随机森林时，随机选取属性个数的参数k无关紧要，该参数的大小对模型的性能影响不大。

32.(段落说明)
现根据以下数据要构建是否放贷的决策树。在此背景下，完成后续题目（42-51）。结果保留两位小数。

编号	有工作	有房产	信贷情况	放贷
1	是	否	好	是
2	否	是	非常好	是
3	是	否	非常好	是
4	否	是	好	是
5	否	否	一般	否
6	否	否	好	否
7	是	否	一般	否
8	否	否	一般	否

答案:
- 暂无答案

33.(填空题)
样本集的信息熵为

答案:
- 1.00

34.(填空题)
属性“有工作”的取值为“是”的样本集的熵为

答案:
- 0.92

35.(填空题)
属性“有工作”的取值为“否”的样本集的熵为

答案:
- 0.97

36.(填空题)
属性“有工作”的条件熵为

答案:
- 0.95

37.(填空题)
属性“有工作”的信息增益为

答案:
- 0.05

38.(填空题)
属性“有房产”的条件熵为

答案:
- 0.69

39.(填空题)
属性“有房产”的信息增益为

答案:
- 0.31

40.(填空题)
属性“信贷情况”的条件熵为

答案:
- 0.34

41.(填空题)
属性“信贷情况”的信息增益为

答案:
- 0.66

42.(填空题)
根节点的划分属性是

答案:
- 信贷情况

43.(段落说明)
现根据以下数据，使用朴素贝叶斯预测新样本（是，是，好）的放贷情况。请完成下述题目（53-61），结果保留两位小数。

编号	有工作	有房产	信贷情况	放贷
1	是	否	好	是
2	否	是	非常好	是
3	是	否	非常好	是
4	否	是	好	是
5	否	否	一般	否
6	否	否	好	否
7	是	否	一般	否
8	否	否	一般	否