特征选择的目标有哪些？ A:挖掘多个抽象层上的数据 B:提供更快性价比更高的学习过程 C:更好地理解生成数据的基本过程 D:提高数据挖掘模型的性能 答案: 提供更快性价比更高的学习过程,更好地理解生成数据的基本过程,提高数据挖掘模型的性能一

有关决策树与特征工程的关系，以下说法错误的是？
A:如果要了解影响签署合同快慢的主要因素，可以使用决策树算法。
B:决策树获得的特征是区分不同类别的最优特征。
C:决策树可以得到对分类重要的属性，因此可以作为分类特征获取的一种方法。
D:决策树获得的特征可以作为其他算法（例如回归算法的自变量）输入的依据。
答案: 决策树获得的特征是区分不同类别的最优特征。

下面有关支持向量机错误的说法是？
A:支持向量机是把高维的数据投影到低维的空间进行分类。
B:支持向量机一般处理两分类的问题。
C:支持向量机既可以处理线性可分的问题，也可以处理非线性可分的问题。
D:对于小样本集，支持向量机的分类准确度可能优于其他对样本数量要求比较高的分类算法。
答案: 支持向量机是把高维的数据投影到低维的空间进行分类。

以下哪些不是贝叶斯网络的应用场景？
A:机器故障诊断
B:中文分词
C:招聘人才选拔规则
D:根据客户消费行为对其进行分组
答案: 招聘人才选拔规则,根据客户消费行为对其进行分组

下面有关线性判别分析错误的说法是哪个？
A:提高不同类样本的可分性。
B:线性变换可以使不同类别样本的距离加大。
C:线性判别分析中线性变换可以使同类样本的方差变大。
D:通过对原始的数据进行线性变换，使得不同类的样本尽量分开。
答案: 线性判别分析中线性变换可以使同类样本的方差变大。

下面有关随机森林的说法哪个是错误的？
A:类似装袋法的样本抽样方法，保证每棵树的学习样本集的多样性。
B:每颗树都是从属性集随机抽取一定数目的属性作为候选的特征。
C:随机森林是一种集成算法，可以使用CART等基学习器提高分类的性能。
D:随机森林训练后只需选择性能最好的树最为预测模型。
答案: 随机森林训练后只需选择性能最好的树最为预测模型。

如果发现决策树模型的检验结果达不到要求，可以执行下面哪些方法进行改进？
A:修改用户的需求。
B:对算法的选择以及参数的调整进行优化。
C:补充或调整样本的选择，并加强样本的预处理。
D:采用多种算法组合。
答案: 对算法的选择以及参数的调整进行优化。,补充或调整样本的选择，并加强样本的预处理。,采用多种算法组合。

以下哪个算法不是基于规则的分类器 ？
A:C4.5
B:C5.0
C:ID3
D:贝叶斯分类器
答案: 贝叶斯分类器

如果从员工的日常表现数据预测其升职的可能性可以使用下面哪种机器学习方法？
A:关联分析
B:线性回归分析
C:决策树类算法
D:聚类分析
答案: 决策树类算法

以下哪个指标不能用于决策树的性能评价指标？
A:准确率
B:决策树规则的数目
C:ROC曲线下的面积AUC
D:召回率
答案: 决策树规则的数目

以下关于人工神经网络（ANN）的描述正确的说法是？
A:神经网络对训练数据中的噪声不敏感，因此数据质量可以差一些也没关系
B:只能用于分类
C:不能确定输入属性的重要性
D:训练ANN是一个很耗时的过程
答案: 训练ANN是一个很耗时的过程

神经网络由许多神经元（Neuron）组成，下列关于神经元的陈述中哪一个是正确的？

A:

一个神经元可以有一个输入和多个输出

B:

一个神经元可以有多个输入和多个输出

C:

其他选项都正确

D:

一个神经元可以有多个输入和一个输出

答案:

其他选项都正确

有关前馈神经网络的认识正确的是？
A:神经网络训练过程是拟合训练数据模式的过程
B:神经网络模型的分类能力比决策树好
C:神经网络可用于分类和聚类
D:神经网络训练后很容易得到分类的规则
答案: 神经网络训练过程是拟合训练数据模式的过程

下面关于感知机的说法中正确的是？
A:单个感知机是线性回归的训练过程
B:某一神经元可以连接下一层的多个神经元，表示该神经元有多个输出
C:其他都不对
D:在感知机中引入激活函数可以解决与异或问题（XOR）
答案: 单个感知机是线性回归的训练过程

在一个神经网络里，确定每一个神经元的权重和偏差是模型拟合训练样本的目标，比较有效的办法是什么？

A:

搜索所有权重和偏差的组合，直到得到最佳值。

B:

根据人工经验随机赋值。

C:

赋予一个初始值，然后迭代更新权重，直至代价函数取得极小。

D:

其他选项都不正确

答案:

赋予一个初始值，然后迭代更新权重，直至代价函数取得极小。

有关神经网络训练时使用的学习率参数说法正确的是
A:网络训练时刚开始学习率可以大一些，以便提高学习速度，随后应减少学习率，以免引起学习震荡。
B:学习率可以与其他网络参数一起训练，对降低代价函数是有利的。
C:学习率过大更容易导致训练陷入局部极小值。
D:学习率可以随着训练误差动态调整效果更好。
答案: 网络训练时刚开始学习率可以大一些，以便提高学习速度，随后应减少学习率，以免引起学习震荡。,学习率可以与其他网络参数一起训练，对降低代价函数是有利的。,学习率可以随着训练误差动态调整效果更好。

激活函数通过具有以下哪些性质？
A:非线性
B:可微性
C:单调性
D:计算简单
答案: 非线性,可微性,单调性,计算简单

在神经网络训练中，有关学习率调整说法错误的是？
A:学习率设置不当会引起神经网络过拟合。
B:固定学习率设置太大可能会使神经网络训练震荡不收敛。
C:学习率太小会使神经网络的训练迅速达到极小值。
D:学习率可以根据损失函数（代价函数）减少的快慢动态调整。
答案: 学习率设置不当会引起神经网络过拟合。,学习率太小会使神经网络的训练迅速达到极小值。

减少神经网络过拟合可以通过增加网络的神经元个数或层数解决。
A:错
B:对
答案: 错

BP神经网络在训练过程中，损失函数可能比较大，但随着训练的进行，损失函数基本不变化了，这种现象说明神经网络陷入全局最优解
A:对
B:错
答案: 错

以下哪些数据的特征会对聚类有影响？
A:高维性
B:离群点
C:噪声
D:样本规模
答案: 高维性,离群点,噪声,样本规模

有关聚类算法不正确的说法是？
A:聚类算法可以找出每组样本不同的特征
B:聚类是分类的基础
C:必须给出聚类的组数
D:把分析的样本根据距离分组
答案: 必须给出聚类的组数

聚类是一类重要的机器学习算法，以下哪些场景不属于聚类问题？
A:某网商对客户的购物行为进行分析，从而分析不同组用户的偏好。
B:判断一个网络访问是否为入侵访问。
C:根据学生的成绩，给出学生的名次。
D:对数据库的论文根据内容主题的不同做划分。
答案: 判断一个网络访问是否为入侵访问。,根据学生的成绩，给出学生的名次。

对联通客户进行分组，以便根据各组的特点，策划不同的营销方案，需要客户哪些数据？
A:客户长途市话以及漫游等通话数据
B:客户人口数据
C:家庭男女组成
D:收入数据
答案: 客户长途市话以及漫游等通话数据,客户人口数据,家庭男女组成

下列说法错误的是？
A:在聚类分析中，簇之间的相似性越大，簇内样本的差别越大，聚类的效果就越好
B:k均值算法是一种常用的聚类算法，簇的个数算法不能自动确定
C:聚类分析可以看作是一种非监督的样本分组过程
D:k均值算法的计算耗时与初始假设聚类中心的位置有关
答案: 在聚类分析中，簇之间的相似性越大，簇内样本的差别越大，聚类的效果就越好

有关聚类的算法，正确的说法有以下哪些？
A:聚类的结果要考虑业务的可解释性。
B:聚类的簇密度指样本的个数多少。
C:类似Kmeans基于划分的聚类与基于层次的聚类都是样本的距离为划分基础。
D:自底向上的层次聚类算法对样本的输入顺序比较敏感。
答案: 聚类的结果要考虑业务的可解释性。,类似Kmeans基于划分的聚类与基于层次的聚类都是样本的距离为划分基础。

有关k-means下列说法正确的是？
A:可以确定样本属性的重要性
B:可以处理凸型分布数据的聚类
C:适合任意数据集的分组
D:聚类的结果与初始选择的假设聚类中心有关
答案: 可以处理凸型分布数据的聚类

根据用户使用移动运营商的数据，可以为他们设计合适的套餐，使用哪种挖掘方法比较合适？
A:关联分析
B:神经网络
C:回归分析
D:聚类
答案: 聚类

对于Kmeans而言，不同的初始聚类中心选择可能导致不同的聚类结果。
A:错
B:对
答案: 对

在kmeans的训练过程中，可以选择不同的k值，比较使绝对误差标准较小的k值，结合聚类业务的可解释性，从而选择合适的k值。
A:错
B:对
答案: 对