下面有关朴素贝叶斯算法的认识错误的是？

A、朴素贝叶斯算法基于贝叶斯定理和特征条件独立性假设

B、朴素贝叶斯算法使用最大似然估计来确定参数

C、条件独立指的是数据集各个特征的取值与其他特征不相关

D、朴素贝叶斯算法对离群值不敏感

A、关联分析

B、分类

C、预测

D、聚类

A、算法是解决问题的方法和步骤

B、算法有一个或多个的输出?

C、算法就是计算机程序?

D、算法的步骤必须是有限的?

A、基于知识的推荐主要看目前用户掌握知识的情况，依赖知识关系图进行推荐。

B、基于标签的推荐可以通过表征用户兴趣的标签进行推荐，标签可以由用户给定或利用算法提取。

C、基于用户行为二分图的推荐可以依据用户与物品之间的相关性计算。

D、多种推荐算法对同一用户进行推荐时，每种推荐算法的结果都是相同的。

A、动态规划算法本质上是时间换空间的算法

B、动态规划算法的每一个子问题只解一次,存储子问题结果，避免重复计算。

C、贪心和递推算法是线性解决问题，动态规划则是全面分阶段地解决问题。

D、状态转移方程表示状态间的递推关系，也是子问题间的递推关系。

A、对于定性属性，计算某一类别的样本中某种属性取该值的样本所占比例来近似

B、对于定性属性，将转化为定量属性，再计算相应的概率

C、对于定量属性，将取值离散化变为区间，再当做定性属性处理

D、对于定量属性，假设变量服从某种概率分布，通过训练数据集估计分布的参数

A、枚举法适用于问题的小规模实例

B、减少枚举变量可以减少枚举算法的时间复杂度。

C、在某些问题实例中枚举是唯一的解决方法。

D、蛮力是枚举算法的一种。

A、k-均值聚类需要大量的迭代，因此不能使用分布式计算。

B、k-均值的分布式实现需要MapReduce的各个数据节点共享假设的聚类中心。

C、k-均值算法的大量迭代运算在分布式环境下的效率一般更高。

D、k-均值在Spark内存计算框架下运行要比Hadoop MapReduce下运行要快的多。

A、过拟合是因为训练样本太多了，把训练样本的规律都拟合进去了，因此检测样本的准确率也很高。

B、减少过拟合的方法可以通过降低决策树的复杂度，例如减少决策树的深度。

C、判断模型是否过拟合可以看随着训练的增加，学习到的模型准确度高了，但检测样本的准确率下降。

D、分类算法都可能会遇到过拟合现象。

A、算法必须在有穷时间终止。

B、程序是算法用某种程序设计语言的具体实现。

C、程序总是在有穷步的运算后终止。

D、算法可以使用自然语言描述，但要保证无歧义。