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