A、2和4
B、1和2
C、3和4
D、1和3
答案:B
解析:我们可以为每个聚类构建不同的模型, 提高预测准确率。“类别id”作为一个特征项去训练, 可以有效地总结了数据特征。所以B是正确的
A、2和4
B、1和2
C、3和4
D、1和3
答案:B
解析:我们可以为每个聚类构建不同的模型, 提高预测准确率。“类别id”作为一个特征项去训练, 可以有效地总结了数据特征。所以B是正确的
A. 线性回归
B. 时间序列
C. 灰色模型
D. 贝叶斯网络
A. 特征在传统机器学习可解释性强,而在深度学习可解释性弱
B. 特征在传统机器学习可解释性弱,而在深度学习可解释性强
C. 特征在传统机器学习和深度学习可解释性均弱
D. 特征在传统机器学习和深度学习可解释性均强
A. 增加树的深度
B. 增加学习率
C. 减少树的数量
D. 减小树的深度
解析:一般用决策树进行分类,从根结点开始,对实例的某一特征进行测试,根据测试结果,将实例分配到其子结点。这时,每一个子结点对应着该特征的一个取值。如此递归地对实例进行测试并分类,直至达到叶结点。最后将实例分到叶结点的类中。—— 引自李航 《统计学习方法》
决策树深度越深,在训练集上误差会越小,准确率越高。但是容易造成过拟合,而且增加模型的训练时间。对决策树进行修剪,减小树的深度,能够提高模型的训练速度,有效避免过拟合。
单决策树中,学习率不是一个有效参数。
决策树是单树,随机森林由多个决策树组成。
A. 函数映射
B. one hot encoding
C. word2vec
D. 塌缩式映射
解析:基础知识
A. 自然语言理解
B. 自然语言处理
C. 自然语言输入
D. 自然语言生成
A. Adam
B. SGD
C. Adaboost
D. Adadelta
A. 输入层
B. 全连接层
C. 卷积层
D. 池化层
A. 语音识别
B. 语音合成
C. 语义理解
D. 机器翻译
解析:不同的多样性增强机制可同时使用