答案:A
A. 正确
B. 错误
解析:实数向量
A. 从偏差-方差分解的角度看,Boosting主要关注降低偏差
B. 从偏差-方差分解的角度看,Bagging主要关注降低方差
C. 随机森林简单、容易实现、计算开销小
D. Boosting不能基于泛化性能相当弱的学习器构建出很强的集成
解析:从偏差一方差分解的角度看,Boosting主要关住降低偏差,因此Boosting能基于泛化性能相当弱的学习器构建出很强的集成
A. 相容
B. 相等
C. 互斥
D. 包含
解析:见算法解析
A. 混沌度没什么影响
B. 混沌度越低越好
C. 混沌度越高越好
D. 混沌度对于结果的影响不一定
解析:在线性代数里面讲的维数通常和Numpy数组的维数不同,如线代中提到的n维行向量在 Numpy 中是一维数组,而线性代数中的n维列向量在 Numpy 中是一个shape为(n, 1)的二维数组
A. 卷积神经网络
B. 递归神经网络
C. 残差网络
D. xgboost 算法
解析:XGBoost是针对分类或回归问题的boosting算法的一种实现方式,并不是神经网络的代表。
A. GBDT梯度提升树
B. XGBoost
C. RF随机森林
D. LR线性回归
A. 以上都不对
B. python的可解释性强
C. numpy等python库的效率更高
D. python运行程序时逐行翻译