数据挖掘(国防科技大学) 中国大学mooc慕课答案2024版 m52545

，购买后上方矩形框将出现已付费的隐藏内容 . “，”和“，”表示：A数据B信息C知识D智慧 “，米是飞机飞行最大高度”与“，米的高山”表示：A数据B信息C知识D智慧 “飞机无法飞过高山”表示：A数据B信息C知识D智慧 ”A正确B错误 （）ABCD （）A使用L可以得到稀疏的权值B使用L可以得到稀疏的权值C使用L可以得到平滑的权值D使用L可以得到平滑的权值 （）A少于sB大于sC仍是sD说不准 （）A损失函数B是否有核技巧C是否支持多分类D选项皆错 （）A支持向量机的最终模型仅仅与支持向量有关B支持向量机的最终模型由所有的训练样本共同决定C支持向量机的最终模型由离决策边界最近的几个点决定D训练集越大，支持向量机的模型就一定越准确 （）A正确B错误 （）A降低数据的维度，节约内存和存储空间B降低数据维度，并作为其它有监督学习的输入C获得更多的特征D替代线性回归 ()正确[/]完整 A关联规则发现B聚类C分类D自然语言处理 A决策树的父节点更大B子节点的熵更大C两者相等D根据具体情况而定 A分类B聚类C关联分析D隐马尔可夫链 A小波变换B主成分分析C决策树D直方图 A左偏B右偏C钟型D对称 A数据挖掘与知识发现B领域知识发现C文档知识发现D动态知识发现 A第一个B第二个C第三个D第四个 A聚类过程B分类过程C先分类，后聚类D先聚类，后分类 A连续数据离散化B选择最佳划分点分裂C连续数据每个值之间形成分裂D以上均错误 Bayes法是一种在已知后验概率与类条件概率的情况下的模式分类方法，待分样本的分类结果取决于各类域中样本的全体 iD kernel KMeans算法中的初始中心点：A可随意设置B必须在每个簇的真实中心点的附近C必须足够分散D直接影响算法的收敛结果 Kmodes能够解决离散数据的聚类问题;Kmeans++能够解决初始点影响聚类效果的问题;K中心点能够解决有离群点的聚类问题逻辑回归测验 logistic回归是否对噪声敏感A是B否C以上均错误D无法判断 mooc慕课答案 mooc慕课答案题库 mooc答案 mooc答案题库 mooc题库 rf中的每棵子树都是独立同分布的;rf中模型偏差随着子树的增加而减少 sigmoid SVM（支持向量机）与LR（逻辑回归）的数学本质上的区别是什么 SVM模型通过最大化边界实现线性分类，以下哪个可以使得SVM实现非线性分类（）A松弛变量B对偶空间求解CkernelDSMO算法 一个决策树包括如下哪些要素A测试节点B分支C叶子D以上均错误 一年级 一所大学内的各年纪人数分别为：一年级人，二年级人，三年级人，四年级人 一组数据，均值>中位数>众数，问这组数据 一般情况下，KNN最近邻方法在（）情况下效果最好A样本呈现团状分布B样本呈现链状分布C样本较多但典型性不好D样本较少但典型性好 下列关于随机森林和Adaboost说法正确的是（）A和Adaboost相比，随机森林对错误和离群点更鲁棒B随机森林准确率不依赖于个体分类器的实例和他们之间的依赖性C随机森林对每次划分所考虑的属性数很偏感DAdaboost初始时每个训练元组被赋予相等的权重 下列哪一项在神经网络中引入了非线性（）ASGDB激活函数C卷积函数D都不正确 下列哪些因素会对BP神经网络的训练效果产生影响（）A权值初始值B阈值初始值C学习率D隐层神经元个数 下列哪些数据挖掘算法不需要做数据归一化处理：（）AK均值B线性回归C决策树D朴素贝叶斯 下列方面不可以防止过拟合的是A加入正则项B增加样本C建立更加复杂的模型DBootstrap重采样 下列有关L正则化和L正则化说法正确的是 下列说法正确的是AKmeans算法能够解决有离群点的聚类问题BKmodes能够解决离散数据的聚类问题CKmeans++能够解决初始点影响聚类效果的问题DK中心点能够解决有离群点的聚类问题 下面关于支持向量机的说法正确的是 下面哪个不属于数据的属性类型：()A标称B序数C区间D相异 下面哪些场景合适使用PCA 中国大学mooc慕课答案 中国大学mooc慕课答案大全 中国大学mooc慕课答案题库 中国大学mooc测验作业答案 中国大学mooc答案 中国大学MOOC答案 CSDN 中国大学mooc答案公众号 中国大学mooc答案公众号免费 中国大学mooc答案合集 中国大学MOOC答案在哪里查 中国大学MOOC答案查询 中国大学mooc答案题库 中国大学MOOC网课答案查询方法 中国大学慕课mooc答案题库 中国大学慕课答案 中国大学慕课答案题库 为节省神经网络模型的训练时间，神经网络模型的权重和偏移参数一般初始化为（）AB.CD随机值 二分类任务中，有三个分类器h，h，h，三个测试样本x，x，x 人从出生到长大的过程中，是如何认识事物的 什么是KDD 仍是s 以下关于randomforest说法错误的是Arf中的每棵子树都是独立同分布的Brf中模型方差随着子树的增加而减少Crf主要通过增加子树之间的相关性来减少模型的方差Drf中模型偏差随着子树的增加而减少 以下哪些算法是分类算法ADBSCANBIDCKMeansDEM 以下模型中，在数据预处理时，不需要考虑归一化处理的是：（）Alogistic回归BSVMC树形模型D神经网络 使用L可以得到稀疏的权值;使用L可以得到平滑的权值 信息 假定某同学使用NaiveBayesian（NB）分类模型时，不小心将训练数据的两个维度搞重复了，那么关于NB的说法中正确的是（）A这个被重复的特征在模型中的决定作用会被加强B模型效果相比无重复特征的情况下精确度会降低CNB可以用来做最小二乘回归D当两列特征高度相关时，无法用两列特征相同时所得到的结论来分析问题 假设%的比赛队胜出，剩余的比赛队获胜 假设个销售价格记录组已经排序如下：，，，，，，，，，，，使用如下每种方法将它们划分成四个箱 假设属性income的最大最小值分别是元和元 假设表示分类结果正确，表示错误，h在x，x，x的结果分别(，，)，h，h分别为(，，)，(，，)，按投票法集成三个分类器，下列说法正确的是：（）A集成提高了性能B集成没有效果C集成降低了性能D集成效果不能确定 先聚类，后分类 先验原理可以表述为：如果一个项集是频繁的，那包含它的所有项集也是频繁的 关于kmeans算法，正确的描述是：A能找到任意形状的聚类B初始值不同，最终结果可能不同C每次迭代的时间复杂度是O(n^)，其中n是样本数量D不能使用核函数(kernelfunction) 关联规则发现 具有较高的支持度的项集具有较高的置信度 决策树;朴素贝叶斯 决策树中不包含一下哪种结点A根结点（rootnode)B内部结点（internalnode）C外部结点（externalnode）D叶结点（leafnode） 决策树的父节点和子节点的熵的大小关系是什么 分类和回归都可用于预测，分类的输出是离散的类别值，而回归的输出是连续数值 分类模型的误差大致分为两种：训练误差（trainingerror）和泛化误差（generalizationerror）.A正确B错误 划分聚类 则年级属性的众数是：A一年级B二年级C三年级D四年级 初始值不同，最终结果可能不同 利用先验原理可以帮助减少频繁项集产生时需要探查的候选项个数A正确B错误 利用在原始空间定义的函数替代高维空间的向量内积操作 利用最大最小规范化的方法将属性的值映射到至的范围内 单个模型之间有低相关性 卡方测试用来度量离散标称属性数据的相关性A正确B错误 只有非零值才重要的二元属性被称作：A计数属性B离散属性C非对称的二元属性D对称属性 可以利用概率统计方法估计数据的分布参数，再进一步估计待测试数据的概率，以此来实现贝叶斯分类A正确B错误 右偏 向量内积 和Adaboost相比，随机森林对错误和离群点更鲁棒;随机森林对每次划分所考虑的属性数很偏感;Adaboost初始时每个训练元组被赋予相等的权重 在AdaBoost算法中，所有被分错的样本的权重更新比例相同 在SVM当中，主要的运算形式是：（）A矩阵乘法B矩阵转置C矩阵分解D向量内积 在分类问题中，我们经常会遇到正负样本数据量不等的情况，比如正样本为w条数据，负样本只有w条数据，以下最合适的处理方法是A将负样本重复次，生成w样本量，打乱顺序参与分类B直接进行分类，可以最大限度利用数据C从w正样本中随机抽取w参与分类D将负样本每个权重设置为，正样本权重为，参与训练过程 在数据挖掘中需要划分数据集，常用的划分测试集和训练集的划分方法有哪些（）A留出法B交叉验证法C自助法D评分法 在误差逆传播算法中，隐含层节点的误差信息应当：（）A根据自身的期望输出和实际输出的差值计算B根据所有输出层神经元的误差的均值计算C根据自身下游神经元的误差进行加权计算D根据自身下游神经元的误差的均值计算 均为章节测试 外部结点（externalnode） 大学慕课MOOC的答案在哪里 如果下一场比赛在队的主场进行队获胜的概率为A.B.C.D. 如果我们现在把架构变换一下，当评分是.和.时，分别在第层和第层添加Dropout，那么新架构的测试所用时间会变为多少 如果现在需要对一组数据进行样本个体或指标变量按其具有的特性进行分类，寻找合理的度量事物相似性的统计量，应该采取（）A聚类分析B回归分析C相关分析D判别分析 子节点的熵更大 对于地震的预测，我们希望的是召回率recall非常高，也就是说每次地震我们都希望预测出来，这个时候我们可以牺牲精确率precision 对属性income的元将被转化为：A.B.C.D. 将负样本重复次，生成w样本量，打乱顺序参与分类;从w正样本中随机抽取w参与分类;将负样本每个权重设置为，正样本权重为，参与训练过程 小波变换 属性之间的条件独立性假设 建立更加复杂的模型 当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离()A分类B聚类C关联分析D隐马尔可夫链 情愿发出次警报，把次地震都预测正确了，那么请问此时地震预测的假阳历FP等于多少 慕课答案 慕课答案免费查询 慕课答案题库 慕课题库 所谓Kerneltrick，指的是：（）A利用在高维空间定义的函数替代原始空间的向量内积操作B利用在原始空间定义的函数替代高维空间的向量内积操作C核函数的导数具有简单的解析解，简化了运算D核函数具有固定的上下界，可以输出（，+）区间中的连续值 所谓高维数据，指的是A数据对象很多B数据属性很多C以上都正确D以上都错误 损失函数 支持向量机的最终模型仅仅与支持向量有关;支持向量机的最终模型由离决策边界最近的几个点决定神经网络分类测验 数据 数据属性很多 数据挖掘(国防科技大学) 中国大学MOOC慕课答案 数据挖掘(国防科技大学) 中国大学mooc慕课答案2023版 m52545 数据挖掘(国防科技大学) 中国大学MOOC答案 数据挖掘(国防科技大学) 中国大学慕课答案 数据挖掘与知识发现 数据挖掘的主要任务是从数据中发现潜在的规则，从而能更好的完成描述数据 数据科学家可能会同时使用多个算法（模型）进行预测，并且最后把这些算法的结果集成起来进行最后的预测（集成学习），以下对集成学习说法正确的是（）A单个模型之间有高相关性B单个模型之间有低相关性C在集成学习中使用“平均权重”而不是“投票”会比较好D单个模型都是用的一个算法 数据规范化能够提高逻辑回归算法参数学习的效率A正确B错误 时间序列数据更适合用（）做数据规约 是 有固定的输出上下界;导数存在解析解;处处可导集成学习测验 朴素的逻辑回归可以解决非线性的分类问题A正确B错误 朴素贝叶斯分类器的朴素之处在于：A只能处理低维属性B只能处理离散型属性C分类效果一般D属性之间的条件独立性假设 权值初始值;阈值初始值;学习率;隐层神经元个数 杰卡德系数用来度量非对称的二进制属性的相似性A正确B错误 某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖掘的（）问题 树形模型 样本较少但典型性好 根据自身下游神经元的误差进行加权计算 模型效果相比无重复特征的情况下精确度会降低;当两列特征高度相关时，无法用两列特征相同时所得到的结论来分析问题 欧式距离用来度量连续数值属性数据的相似性A正确B错误 正确 正确关联规则挖掘测验 正确支持向量机测验 正确数据挖掘实践测验 正确数据预处理测验 每个神经元有多个输入和多个输出 测试节点;分支;叶子 激活函数 留出法;交叉验证法;自助法 直接影响算法的收敛结果 相关系数用来度量标称属性数据的相关性A正确B错误 相异 知识认识数据测验 神经网络模型是受人脑的结构启发发明的 神经网络模型由很多的神经元组成，每个神经元都接受输入，进行计算并输出结果，那么以下选项描述正确的是（）A每个神经元只有一个单一的输入和单一的输出B每个神经元有多个输入而只有一个单一的输出C每个神经元只有一个单一的输入而有多个输出D每个神经元有多个输入和多个输出 第二个 等频（等深）划分时，在第几个箱子内 简单地将数据对象集划分成不重叠的子集，使得每个数据对象恰在一个子集中，这种聚类类型称作（）A层次聚类B划分聚类C非互斥聚类D模糊聚类 绪论测验 考虑两队之间的足球比赛：队和队 考虑以下问题：假设我们有一个层的神经网络，这个神经网络在使用一个GB显存显卡时需要花费个小时来完成训练 而在测试过程中，单个数据需要花费秒的时间 聚类 聚类分析 若神经元的误差对某输入的权重的偏导大于零说明：（）A该权重应增加B该权重应减少C应增加神经网络层数D应调整激活函数 训练神经网络时，以下哪种激活函数最容易造成梯度消失（）AtanhBsigmoidCReLUDleakyReLU 该权重应减少 贝叶斯分类器对离群点敏感A正确B错误 连续数据离散化;选择最佳划分点分裂下方是付费阅读内容：本平台商品均为虚拟商品，无法用作二次销售，不支持退换货，请在购买前确认您需要购买的资料准确无误后再购买，望知悉！[]post_id=”″show_buy_btn=”true”]下方为已购买的内容：k均值聚类测验 逻辑回归分析需要对离散值做预处理，决策树则不需要 逻辑回归正则化主要包括L正则化和L正则化A正确B错误 采用Sigmod函数作为激励函数的主要原因是（）A有固定的输出上下界B导数存在解析解C计算复杂度较低D处处可导 采用决策树分类算法，连续数据如何处理 错误 错误决策树分类测验 错误朴素贝叶斯分类测验 队获胜的比赛中只有%是在队的主场，而队取胜的比赛中%是主场获胜 降低数据的维度，节约内存和存储空间 随机值 集成提高了性能 需点击上方按钮支付元购买，所有 非对称的二元属性 预测数据等任务A正确B错误