首页 › 答案 › 题库 › 慕课

未分类

198201在比较模型的拟合效果时，甲、乙、丙、丁四个模型的决定系数R^2的值分别约为0.96、0.85、0.80和0.7，则拟合效果好的模型是（）。
198202模型树的叶子结点对应（）。
198203回归树的叶子结点对应（）。
198204决策树的叶子结点对应（）。
198205下面关于构建模型树的说法中，错误的是（）。
198206对于指数曲线y=a*e^(bx)，令u＝ln y，c＝ln a，经过非线性化回归分析之后，可以转化成的形式为（）。
198207已知对一组观察值(xi，yi)作出散点图后确定具有线性相关关系，若对于y＝bx＋a，求得b＝0.51，x＝61.75，y＝38.14，则线性回归方程为（）。
198208在利用linear（）model.LinearRegression（）构造的reg对象训练模型后，可以通过以下哪行代码查看回归模型系数（）。
198209利用linear（）model.LinearRegression（）训练模型时调用.fit（）方法需要传递的第二个参数是（）。
198210利用“linear（）model.LinearRegression（）”训练模型时调用.fit（）方法需要传递的第一个参数是（）。
198211通过代码”from sklearn import linear（）model”引入线性模型模块，并通过代码“reg = linear（）model.LinearRegression（）”构造回归器对象，在训练后做预测时要调用的方法是（）。
198212通过代码”from sklearn import linear（）model”引入线性模型模块，并通过代码“reg = linear（）model.LinearRegression（）”构造回归器对象后，在训练时要调用的方法是（）。
198213假设某分类器在一个测试数据集上的分类结果的混淆矩阵如下所示，请计算该分类器的错误率，以类别yes为正例，计算分类器的查全率recall为（）%。【保留到整数位 PredictedyesnoActualyes155no1020
198214假设某分类器在一个测试数据集上的分类结果的混淆矩阵如下所示，请计算该分类器的错误率，以类别yes为正例，计算分类器的查准率precision为（） %。【保留到整数位 PredictedyesnoActualyes155no1020
198215分类算法针对某个测试数据集的有效性通常通过（）矩阵来反映。
198216决策树中根结点的层次为（）。
198217为了评价一个分类模型的性能，我们通常根据分类模型判断一组已知类别的对象的类别，这些已知类别的对象构成的数据集称为（）。
198218K近邻方法的核心思想是对一个预测样本A，从训练数据集中找到与其最相似的k个样本，利用这个k个样本的类别来决策该样本A的类别。
198219k 近邻方法不需要事先学习分类模型，当需要预测的时候，根据预测样本的特性和已知训练数据集中的数据进行类别的判断。
198220朴素贝叶斯分类基于贝叶斯定理的一种分类方法。
198221ID3 的分裂属性选择条件是选择信息增益最大的作为分裂属性。
198222决策树的思想是自顶向下递归的构建过程，关键点是在于分裂属性和分裂条件的选择。
198223留一法是交叉验证法的特殊情况。
198224决策树方法通常用于关联规则挖掘。
198225在决策树中，随着树中结点数变得太大，即使模型的训练误差还在继续减低，但是检验误差开始增大，这是出现了模型拟合不足的问题。
198226分类模型的误差大致分为两种：训练误差（training error）和泛化误差（generalization error）。
198227Bayes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。
198228分类是总结已有类别对象的特点，并根据这些特点，进行未知类别对象的类别预测的过程。又可称为无监督学习。
198229为了比较利用不同分类算法构建的分类模型的性能，可以利用图形进行比较，常用的图形包括（）。
198230构造训练数据集和测试数据集的常用方法有（）。
198231假设某分类器在一个测试数据集上的分类结果的混淆矩阵如下所示，该分类器的错误率error rate为（）。 PredictedyesnoActualyes155no1020
198232假设某分类器在一个测试数据集上的分类结果的混淆矩阵如下所示，该分类器的准确率accuracy为（）。 PredictedyesnoActualyes155no1020
198233朴素贝叶斯分类中得到条件概率的方法错误的是（）。
198234下列属于决策树中应该剪枝的情景是（）。
198235以下哪种算法是分类算法（）。
198236决策树中不包含一下哪种结点（）。
198237用于分类与回归应用的主要算法有（）。
198238在Scikit-learn模块下，不同分类模型在预测时，调用的方法名称（）。
198239在Scikit-learn模块下，不同分类模型在训练时，调用的方法名称（）。
198240通过代码“from sklearn import metrics”引入评价指标模块后，面对真实标签true（）label和模型预测标签predicted（）label，混淆矩阵可通过调用（）代码得到。
198241利用tree.DecisionTreeClassifier（）训练模型时调用.fit（）方法需要传递的第二个参数是（）。
198242利用tree.DecisionTreeClassifier（）训练模型时调用.fit（）方法需要传递的第一个参数是（）。
198243通过代码“from sklearn import tree”引入决策树模块，并通过代码“clf = tree.DecisionTreeClassifier（）”构造分类器对象，在训练后做预测时要调用的方法是（）。
198244通过代码“from sklearn import tree”引入决策树模块，并通过代码“clf = tree.DecisionTreeClassifier（）”构造分类器对象后，训练时要调用的方法是（）。
198245如果一个规则和其祖先规则具有近似相同的置信度，则该规则称为（）。为了减少发现的规则数目，可以将其从输出的结果中删除。
198246给定一个频繁负项集X，我们可以从中发现隐含的负关联规则。负项集和负关联规则统称为（） 。
198247Python在调用efficient-apriori包中的apriori函数训练挖掘关联规则时，设定最小置信度的参数是（）。
198248Python在调用efficient-apriori包中的apriori函数训练挖掘关联规则时，设定最小支持度的参数是（）。
198249FP-growth算法无须生成候选项集的方法，可以避免产生大量候选项集。
198250给定最小支持度阈值minsup，一个频繁项集的所有非空子集都是频繁的。
198251如果一个规则X→Y同时满足support(X→Y)≥minsup和confidence(X→Y)≥minconf， 则称该规则在数据库D中成立， 其中minsup和minconf分别是用户给定的最小支持度和最小置信度的阈值。
198252具体来讲，若一个项集X的支持度大于用户给定的一个最小支持度阈值， 则X被称为频繁项集（或频繁模式）。
198253若Y和Z是X的两个不同的k项子集，只有当confidence(X-Y→Y)≥minconf和confidence(X-Z→Z) ≥minconf都满足时，X-(Y∪Z) →(Y∪Z)一定成立。
198254在结构化数据中进行关联分析发现其中的频繁模式和关联规则。对于取值连续的属性，首先将其离散化，然后将每个取值区间作为一个值，继而转化为“属性=值”的形式。
198255利用项的概念层次信息，不仅可以发现涉及那些出现频率比较低的商品的频繁模式和关联规则，而且还可以发现概括性更强的规则。
198256逐层发现算法Apriori发现频繁项集的过程是按照项集的长度由大到小逐级进行的。
198257如果一个项集是不频繁的， 则其所有的超集都是不频繁的。利用这一性质可以简化Apriori算法中的计算过程。
198258购买了此商品后还会购买的商品，它们的地位是平等的，其中涉及了时间和顺序的概念，强调的是一个规则，也就是我们所说的关联规则。
198259在FP-growth构建频繁模式树中，每个（）（除根结点外）代表一个单项，树中的每条（）代表原数据中每一个条目的各个项。如果把条目内的项组合在一起看成一个字符串，则字符串前缀相同时共享相同的（）。
198260在多层次关联规则分析中，如果将商品进行归类，每一商品类别的支持度会（）其包含的每个商品的支持度，从而有利于发现一些有意义的频繁模式或关联规则。
198261对于任一个频繁项集X和它的一个非空真子集Y， S=X-Y，规则S→Y成立的条件是（）。
198262如下表所示，使用FP-Growth计算其频繁集，给定最小支持度为40%，频繁模式树（FP树）有（）个结点。（不包括根结点）。交易号（TID）商品（Items）1beer, diaper, nuts2beer, biscuit, diaper3bread, butter, cheese4beer, cheese, diaper, nuts5beer, butter, cheese, nuts
198263如下表所示，X={butter, cheese}，Y={beer}，则置信度confidence(X→Y)=（）。交易号（TID）商品（Items）1beer, diaper, nuts2beer, biscuit, diaper3bread, butter, cheese4beer, cheese, diaper, nuts5beer, butter, cheese, nuts
198264如下表所示，X={butter, cheese}，则支持度support(X)=（）。交易号（TID）商品（Items）1beer, diaper, nuts2beer, biscuit, diaper3bread, butter, cheese4beer, cheese, diaper, nuts5beer, butter, cheese, nuts
198265Python在调用efficient-apriori包中的apriori函数进行挖掘关联规则时，第二个返回值是（）。
198266Python在调用efficient-apriori包中的apriori函数进行挖掘关联规则时，第一个返回值是（）。
198267一组数据：20，40，50，58，65，80，80，82，86，90，96，105，120，200。使用最大-最小法进行数据规范化，目标区间为[0,1]，则80映射到新区间后的值为（）。（四舍五入保留小数点后两位）
198268一组数据：20，40，50，58，65，80，80，82，86，90，96，105，120，200。采用等距分箱法分为4箱，其中82位于第（）个箱。（填写阿拉伯数字）
198269使用主成分分析法进行数据属性特征提取中，每个新的特征是原有特征的（）。
198270面对噪音，一类是识别出噪音，将其去除；另一类是可以使用（）方法，用于平滑噪音。
198271等距离分箱可能导致属于某些区间的取值非常多，而某些区间的取值又非常少。（）则能够解决此问题。
198272在主成分分析中，每个主成分都是原始变量的线性组合，且各个主成分之间互不相关。
198273将数据分为n个等频的箱中，可以?箱均值、箱中位数或箱边界光滑数据。
198274主成分分析能够达到去除冗余、降低噪音和降维的目的，但无法得到反映事物本质的新变量。
198275选择属性子集的方法一般采用启发式方法，只检验部分可能性比较大的子集，这样可以快速完成属性的选择。
198276基于熵的离散化方法是常用的有监督的离散化方法。
198277分箱离散化是一种有监督离散化方法。
198278一种简单的填补缺失值的方法为, 将属于同一类的对象的该属性值的均值赋予此缺失值。
198279基于熵的方法可以被看做是自顶向下的分裂方法，ChiMerge则属于自底向上的合并方法。
198280有监督的离散化方法常用的有分箱法和ChiMerge方法。
198281通过数据离散化，可以实现缩减数据量的效果。
198282特征选择过程是描述同一对象的多个属性的取值范围，统一到相同的范围，避免某些属性的作用大于其它属性。
198283数据清洗的主要目的是将数据集中存在的（）和（）进行处理，降低其对后续数据分析处理的影响。
198284数据规范化方法有哪些（）。
198285数据预处理的任务有哪些（）。
198286在利用中文文本绘制词云时，需要在anaoncda的基础上安装哪些工具包（）。
198287主成分分析方法PCA属于属于python中的哪个包（）。
198288最小最大规范化方法MinMaxScaler属于python中的哪个包（）。
198289使用python处理缺失值的方法中叙述错误的是（）。
198290数据预处理的任务不包括（）。
198291下列关于等距离分箱的说法中错误的是（）。
198292主成分分析的步骤是（）。
198293缺失值处理方法中错误的是（）。
198294下列关于数据规范化说法错误的是（）。
198295下列不属于数据预处理原因的是（）。
198296（）是指对描述对象的属性进行重新组合，获得一组反映事物本质的少量的新的属性的过程。（）是指从属性集合中选择那些重要的、与分析任务相关的子集的过程。
198297关联规则的挖掘算法只能处理（）类型的取值，为此（）是继续其知识发现过程的必要步骤。
198298在使用主成分分析法进行数据属性特征提取中，在对数据集进行中心化处理后，为了去除冗余和降低噪音，应将协方差矩阵非对角线上的元素化为（）。
198299特征选择方法中，一般的启发式方法有（）。
198300使用等距离分箱法进行数据离散化，数据范围为20, 40, 50, 58, 65, 80, 80, 82, 86, 90, 96, 105, 120, 200，区间个数为4。下列属于4个箱的区间是（）。
‹1…198219831984…2612›