答案：B
解析：后剪枝决策树通常比预剪枝决策树保留了更多的分支， 一般情形下，后剪枝决策树的欠拟合风险很小，泛化性能往往优于预剪枝决策树，但后剪枝过程是在生成完全决策树之后进行的，并且要白底向上地对树中的所有非叶结点进行逐一考察，因此其训练时间开销比未剪枝决策树和预剪枝决策树都要大得多
答案：B
解析：后剪枝决策树通常比预剪枝决策树保留了更多的分支， 一般情形下，后剪枝决策树的欠拟合风险很小，泛化性能往往优于预剪枝决策树，但后剪枝过程是在生成完全决策树之后进行的，并且要白底向上地对树中的所有非叶结点进行逐一考察，因此其训练时间开销比未剪枝决策树和预剪枝决策树都要大得多
A. 标准SVM
B. 多项式回归
C. 线性回归
D. 神经元模型
解析：多项式回归可处理非线性问题
A. 用户
B. 综合数据库
C. 推理机
D. 知识库
A. 有师学习
B. 无师学习
C. 强化学习
D. 都不是
A. 连接边
B. 关系
C. 属性
D. 特征
A. RndomForest的中间树不是相互独立的，而GrdientBoostingTrees的中间树是相互独立的
B. 两者都使用随机特征子集来创建中间树
C. 在GradientBoostingTrees中可以生成并行树，因为它们是相互独立的
D. 无论任何数据，GraientBoostingTrees总是优于RanomFores
A. 1/2
B. 1/3
C. 2/3
D. 5/6
解析：【分析】
根据正方体骰子共有6个面，通过观察向上一面的点数，即可得到与点数2的差不大于1的概率．
【详解】
∵正方体骰子共6个面，
每个面上的点数分别为1、2、3、4、5、6，
∴与点数2的差不大于1的有1、2、3．
∴与点数2的差不大于1的概率是 ．
故选：A
A. 模型对训练集拟合程度高，对测试集拟合程度高
B. 模型对训练集拟合程度高，对测试集拟合程度低
C. 模型对训练集拟合程度低，对测试集拟合程度高
D. 模型对训练集拟合程度低，对测试集拟合程度低
A. 穷举搜索$;$随机搜索$;$Bayesian优化
解析：穷举搜索法，随机搜索法，贝叶斯优化都可以优化超参数，各有优劣。
所以ABC三种都可实现调整优化超参数。答案ABC
A. 系数
B. 几率
C. Cohen度量
D. 兴趣因子
A. 归纳逻辑程序设计
B. 内部逻辑程序设计
C. 信息泄露防护
D. 引入层次程序设计
解析：见算法解析
