答案：B
解析：也有纯基于transformer的模型
答案：B
解析：也有纯基于transformer的模型
解析：通过矩阵的奇异值分解到达降维的目的
A. LSTM在一定程度上解决了传统RNN梯度消失或梯度爆炸的问题
B. CNN相比于全连接的优势之一是模型复杂度低，缓解过拟合
C. 只要参数设置合理，深度学习的效果至少应优于随机算法
D. 随机梯度下降法可以缓解网络训练过程中陷入鞍点的问题
解析：只要参数设置合理，深度学习的效果至不一定优于随机算法
A. 隐层层数增加，模型能力增加
B. Dropout的比例增加，模型能力增加
C. 学习率增加，模型能力增加
D. 都不正确
A. JP聚类擅长处理噪声和离群点，并且能够处理不同大小、形状和密度的簇。
B. JP算法对高维数据效果良好，尤其擅长发现强相关对象的紧致簇。
C. JP聚类是基于SNN相似度的概念。
D. JP聚类的基本时间复杂度为O(m)。
A. 0.5
B. 0.25
C. 0.167
D. 0.125
解析：几何概率，x<1/2,y<1/2,x+y<1,x+y>1/2,围城的面积为1/4
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。
解析：正确
A. 由于负数部分恒为0，会导致一些神经元无法激活
B. 输出不是以0为中心
C. 解决了梯度消失、爆炸的问题
D. 计算方便，计算速度快，求导方便
解析：见算法解析
A. SVM分类
B. 使用SelectiveSearch输出候选框
C. 使用MLP进行分类与回归预测
D. 使用ROIpooling
解析：见算法解析
