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
