答案：A
解析：正确
答案：A
解析：正确
A. 重复数据
B. 虚假数据
C. 错误数据
D. 异常数据
A. 在线
B. 离线
C. 自动
D. 手动
解析：主要应用
解析：神经网络研究属于连接主义学派，错误
A. 多分类学习
B. 对数几率回归
C. 线性判别分析
D. 多分类学习
解析：基础概念
A. 扩展现实技术
B. 区块链技术
C. 数字孪生技术
D. 云计算
A. 数组描述
B. 数据描述
C. 算法描述
D. 存储空间描述
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。
A. 从偏差-方差分解的角度看，Boosting主要关注降低偏差
B. 从偏差-方差分解的角度看，Bagging主要关注降低方差
C. 随机森林简单、容易实现、计算开销小
D. Boosting不能基于泛化性能相当弱的学习器构建出很强的集成
解析：见算法解析
A. 序列中的元素是无关的
B. 序列中的元素蕴含着顺序的规律
C. 序列中的元素都是随机出现的
D. 序列中的元素都来自同一个数据源
解析：循环神经网络之所以有作用是因为序列中的元素蕴含着顺序的规律
A. 封装
B. 继承
C. 多态
D. 独立
解析：见算法解析
