A、支持向量机
B、神经网络
C、数据可视化
D、数据挖掘
答案：C
A、支持向量机
B、神经网络
C、数据可视化
D、数据挖掘
答案：C
A. 每次选择一个与残差相关性最大的特征
B. 是一种包裹式特征选择法
C. 基于线性回归平绝对误差最小化
D. 是通过对LASSO稍加修改而实现
解析：见算法解析
解析：正确
A. 估算
B. 整例删除
C. 变量删除
D. 成对删除
A. 词法分析
B. 句法分析
C. 语境分析
D. 语义分析
解析：基础知识
A. 远程
B. 本地
C. 云端
D. SAMBA
解析：主要应用
A. 数据挖掘的成功经常依赖于数据挖掘工具的选择
B. 虽然数据可视化具有很明显的吸引力，高维数据上的图形挖掘却不能够很轻易地完成
C. 主成分分析能在不明显丢失信息的情况下降低数据维度
D. 数据挖掘就是从处理过后的数据中进行知识提取
解析：数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际数据中，提取出蕴涵在其中的，人们事先不知道的，但是具有潜在有用性的信息和知识的过程。并非是从处理后的数据提取知识，D项错误，其他选项正确，答案ABC
A. 贝叶斯
B. 珀尔
C. 马尔可夫
D. 切比雪夫
A. 损失函数是用泰勒展式二项逼近，而GBDT只是一阶导数$;$对树的结构进行了正则化约束，防止模型过度复杂，降低了过拟合的可能性;$节点分裂的方式不同，GBDT是用的基尼系数，XGBoost是经过优化推导后的$;$XGBoost使用网格搜索，只能检测有限个值
解析：XGBoost类似于GBDT的优化版，不论是精度还是效率上都有了提升。与GBDT相比，具体的优点有：
1.损失函数是用泰勒展式二项逼近，而不是像GBDT里的就是一阶导数；
2.对树的结构进行了正则化约束，防止模型过度复杂，降低了过拟合的可能性；
3.节点分裂的方式不同，GBDT是用的基尼系数，XGBoost是经过优化推导后的。
