简答题逻辑回归与多元回归分析有哪些不同之处？ A、逻辑回归用来预测事件发生的概率 B、逻辑回归用来计算拟合优度指数 C、逻辑回归用来对回归系数进行估计 D、以上都是简答题对同一数据集进行训练得到的 3 个模型图如下所示。对于这 3 个模型的评估，下列说法错误的是？ A、第一个模型的训练误差最大 B、第二个模型最稳健，其在测试集上表现应该最好 C、第三个模型性能最好，因为其训练误差最小 D、第三个模型过拟合简答题如下图所示，已知使用一个线性SVM分类器来解决二类分类问题，用红色圆圈起来的点表示支持向量。如果将数据中除圈起来的三个点以外的其他数据全部移除，决策边界（即分离超平面）发生改变简答题能够有效解决过拟合的方法是 A、通过特征选择减少特征数量 B、采用正则化方法 C、增加样本数量 D、训练更多的迭代次数简答题下图是两个不同 β0、β1 所对应的逻辑回归模型（绿色和黑色），y= β0+β1*x， β0 是截距，β1 是权重系数。关于两个逻辑回归模型中的 β0、β1 值，下列说法错误的是？ A、两个模型的 β1 相同 B、绿色模型的 β1 比黑色模型的 β1 大 C、绿色模型的 β1 比黑色模型的 β1 小简答题下面是三个散点图（A，B，C，从左到右）和绘制的逻辑回归决策边界。其中，正则化项惩罚度最高的是？ A、C B、B C、A D、都具有相同的正则化简答题已知在神经网络中的隐藏层中使用的激活函数为 X，且在特定神经元中给定任意输入，得到的输出为「-0.0001」。那么X 是SIGMOID激活函数。 A、正确 B、错误简答题假设有 n 组数据集，每组数据集中，x 的平均值都是 9，x 的方差都是 11，y 的平均值都是 7.50，x 与 y 的相关系数都是 0.816，拟合的线性回归方程都是 y = 3.00 + 0.500*x。那么这 n 组数据集是否一样？ A、一样 B、不一样 C、无法确定简答题已知一个二分类项目，训练好模型后在验证集上得到的混淆矩阵如图所示。基于该混淆矩阵，正确的是（） A、错误分类率是0.91 B、精确度是0.91 C、真正率（True positive rate）是0.95 D、假正率（False correct classification）是0.95简答题在 SVM 算法中为 C（惩罚参数）的不同值进行可视化，图中1、2、3 从左到右，图 1 的 C 值是 C 1，图 2 的 C 值 是 C 2，图 3 的 C 值 是 C3。根据图片，在 rbf 内核的情况下 C 值的关系是？ A、C1 B、C1 = C2 = C3 C、C1 > C2 > C3简答题减少数据集中的特征数的方法是 A、我们先把所有特征都使用, 去训练一个模型, 得到测试集上的表现. 然后我们去掉一个特征, 再去训练, 用交叉验证看看测试集上的表现. 如果表现比原来还要好, 我们可以去除这个特征 B、使用前向特征选择方法 C、使用后向特征排除方法 D、查看相关性表, 去除相关性最高的一些特征简答题在分类问题中，当先验概率未知时，可以使用哪项准则? A、最小损失准则 B、最小误判概率准则 C、最小最大损失准则简答题针对分类算法中的准确率，召回率，F1 值的描述，正确是？ A、召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率 B、正确率、召回率和 F 值取值都在 0 和 1 之间，数值越接近 0，查准率或查全率就越高 C、为了解决准确率和召回率冲突问题，引入了F1分数 D、准确率是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率简答题逻辑回归与多元回归分析有哪些不同？ A、逻辑回归预测某事件发生的概率 B、逻辑回归有较高的拟合效果 C、逻辑回归回归系数的评估简答题t-SNE算法学习的是非参数映射。 A、正确 B、错误简答题已知一个黑盒算法，输入为（t1, t2, t3,…….. tn）的训练数据和（q1），输出为 q1 的最近邻 ti 及其对应的类别标签 ci。那么可以将这个黑盒算法看作是一个 1-NN（1-最近邻）， 若我们基于该黑盒算法构建一个 j-NN(j>1) 分类算法，则j 必须是一个合适的因子。 A、正确 B、错误简答题欧式距离的特性有（） A、不受量纲影响的特性 B、尺度缩放不变性 C、旋转不变性简答题“R方”可以用来衡量线性回归拟合的好坏。若在线性回归模型中增加特征值，并再训练同一模型，R方上升则说明该变量是显著的。 A、正确 B、错误简答题可以通过神经网络构造的算法有？ A、线性回归 B、KNN C、逻辑回归简答题对评估标准 log-loss 的正确解释是？ A、对一个特别的观察而言，分类器为正确的类别分配非常小的概率，然后对 log-loss 的相应分布会非常大 B、log-loss 越低，模型越好 C、如果一个分类器对不正确的分类很自信，log-loss 会严重的批评它