A.模型梯度快速变大
B.模型权重变为NaN值
C.每个节点和层的误差梯度值持续超多1.0
D.损失函数持续减小
第1题
A准确度并不适合衡量不平衡类别问题
B准确度适合衡量不平衡类别问题
C精确度和召回率适合于衡量不平衡类别问题
D精确度和召回率不适合衡量不平衡类别问题
第2题
ASVM是这样一个分类器,他寻找具有最小边缘的超平面,因此它也经常被称为最小边缘分类器(minimalmarginclassifier)
B在聚类分析中,簇内的相似性越大,簇间的差别越大,聚类的效果越好
C在决策树中,随着树中节点变得太大,即使模型的训练误差还在继续减低,但是检验误差开始增大,这是出现了模型拟合不足的问题
D聚类分析可以看做是一种非监督的分类
第3题
A我们必须在使用PCA前规范化数据
B我们应该选择使得模型有最大variance的主成分
C我们应该选择使得模型有最小variance的主成分
D我们可以使用PCA在低纬度上做数据可视化
第4题
A.Var1和Var2是非常相关的
B.因为Var和Var2是非常相关的,我们可以去除其中一个
C.Var3和Var1的1.23相关系数是不可能的
第5题
A.我们可以先创建聚类类别,然后在每个类别上用监督学习分别进行学习
B.我们可以使用聚类“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
C.在进行监督学习之前,我们不能新建聚类类别
D.我们不可以使用聚类“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
第6题
A.当增加最小样本分裂个数,我们可以抵制过拟合
B.当增加最小样本分裂个数,会导致过拟合
C.当我们减少训练单个学习器的样本个数,我们可以降低variance
D.当我们减少训练单个学习器的样本个数,我们可以降低bias
第7题
A.模型分类的召回率会降低或不变
B.模型分类的召回率会升高
C.模型分类准确率会升高或不变
D.模型分类准确率会降低
第9题
A.学习率(learningrate)太低
B.正则参数太高
C.陷入局部最小值
D.以上都有可能
第10题
A.把除了最后一层外所有的层都冻住,重新训练最后一层
B.对新数据重新训练整个模型
C.只对最后几层进行调参(finetune)
D.对每一层模型进行评估,选择其中的少数来用
为了保护您的账号安全,请在“上学吧”公众号进行验证,点击“官网服务”-“账号验证”后输入验证码“”完成验证,验证成功后方可继续查看答案!