A、样本较多但典型性不好
B、样本较少但典型性好
C、样本呈团状分布
D、样本呈链状分布
答案：B
A、样本较多但典型性不好
B、样本较少但典型性好
C、样本呈团状分布
D、样本呈链状分布
答案：B
A. fast-rcnn
B. faster-rcnn
C. mask-rcnn
D. rcnn
解析：见算法解析
A. 决策树
B. k-means
C. 随机森林
D. 逻辑回归
A. 训练一个Bagging集成与直接使用基学习算法训练一个学习器的复杂度同阶，因此Bagging是一个很高效的集成学习算法
B. 为处理多分类或回归任务，Bagging需进行修改
C. 从偏差-方差分解的角度看，Bagging主要关注降低偏差
D. Bagging的性能依赖于基分类器的稳定性。
解析：见算法解析
A. K近邻方法
B. 局部加权回归法
C. 基于案例的推理
D. Find-s算法
A. 数字化
B. 量化
C. 去噪声
D. 清洗
解析：图像数字化分为两个步骤：一为取样，二为量化。
A. 二项检验
B. t检验
C. 交叉验证t检验
D. 统计假设检验
解析：统计假设检验为我们进行学习器t性能比较提供了重要依据，基于假设检验结果我们可推断出，若在测试集上观察到学习器A比B好，则A的泛化性能是否在统计意义上优于B，以及这个结论的把握有多大
A. check
B. lskernel
C. kernel
D. uname
A. 半监督学习
B. 强化学习
C. 无监督学习
D. 有监督的学习
A. zeros()
B. ones()
C. empty()
D. eye(),
