A、框架网络
B、语义图
C、博亦图
D、状态图
答案：D
解析：基础概念
A、框架网络
B、语义图
C、博亦图
D、状态图
答案：D
解析：基础概念
A. k越大，不一定越好，选择大的k会加大评估时间
B. 选择更大的k，就会有更小的bias（因为训练集更加接近总数据集）
C. 在选择k时，要最小化数据集之间的方差
D. 以上所有
A. 也称为信念网
B. 借助有向无环图刻画属性之间的关系
C. 借助无向无环图刻画属性之间的关系
D. 用条件概率表来描述属性的联合概率分布
解析：贝叶斯网亦称“信念网”，它借助有向无环图来刻画属性之间的依赖关系，并使用条件概率表来描述属性的联合概率分布
A. 增加树的深度
B. 增加学习率
C. 减少树的数量
D. 减小树的深度
解析：一般用决策树进行分类，从根结点开始，对实例的某一特征进行测试，根据测试结果，将实例分配到其子结点。这时，每一个子结点对应着该特征的一个取值。如此递归地对实例进行测试并分类，直至达到叶结点。最后将实例分到叶结点的类中。—— 引自李航 《统计学习方法》
决策树深度越深，在训练集上误差会越小，准确率越高。但是容易造成过拟合，而且增加模型的训练时间。对决策树进行修剪，减小树的深度，能够提高模型的训练速度，有效避免过拟合。
单决策树中，学习率不是一个有效参数。
决策树是单树，随机森林由多个决策树组成。
A. 学习方式
B. 网络结构
C. 网络的协议类型
D. 网络的活动方式
A. STING
B. Waveluster
C. MAFI
D. IRH
A. 表示能力
B. 泛化能力
C. 算法收敛性
D. 推理能力
解析：主要应用
A. 217x217x3
B. 217x217x8
C. 218x218x5
D. 220x220x7
解析：正确
A. 若X与Y相互独立，则X与Y不相关
B. 若X与Y相关，则X与Y不相互独立
C. 若E(XY)
=E(X)E(Y)，则X与Y相互独立
D. 若f(x,y)=fX(x)fY(y)，则X与Y不相关
解析：独立是不相关的充分但不必要条件；E(XY)=E(X)E(Y)只能推出X与Y不相关，即二者没有线性关系（但可能有其他关系），不能代表X与Y相互独立
