A、频繁模式挖掘
B、分类和预测
C、数据预处理
D、数据流挖掘
答案:C
A、频繁模式挖掘
B、分类和预测
C、数据预处理
D、数据流挖掘
答案:C
A. 标准化
B. 平滑处理
C. 特征构造
D. 聚集
A. LSTM中通过引入输入门、遗忘门、输出门解决了RNN中存在的梯度消失和梯度爆炸
B. LSTM中门的开关程度是由信息的权重决定的,即训练过程中记住重要信息
C. 与RNN相比,LSTM中引入更多参数,所以其训练周期更久
D. LSTM中使用Sigmoid实现门限控制,而用TanH实现数据处理
A. 集成学习一定能提升个体学习器的性能
B. Bagging 方法中,个体学习器之间彼此独立
C. Boosting 是一种重视错误样本的学习方法
D. Boosting 方法中,个体学习器存在强依赖
解析:见算法解析
A. 首先,可以创建聚类,然后分别在不同的集群上应用监督式学习算法
B. 在应用监督式学习算法之前,可以将其类别ID作为特征空间中的一个额外的特征
C. 在应用监督式学习之前,不能创建聚类
D. 在应用监督式学习算法之前,不能将其类别ID作为特征空间中的一个额外的特征
解析:正确
解析:错误
A. 精确率
B. 召回率
C. ROC
D. AUC