机器学习期末复习题及答案

"机器学习期末复习题及答案" 机器学习是人工智能的一个分支，涉及到计算机科学、统计学、优化方法、信息论等多个领域。以下是机器学习的知识点总结： 单项选择题 1. 机器学习把数据集分成训练集和测试集，用于模型训练和评估。 2. 解决模型欠拟合的方法有增加训练数据量、对模型进行裁剪、增加训练过程的迭代次数、正则化等。 3. K 近邻算法是有监督学习的方法，通过计算距离最近的邻居来进行分类。 4. 素贝叶斯算法的判定公式是 H(x) = argmax P(Ci)ΠP(ak|ci)。 5. 用 Sklearn 线性回归算法需要导入函数库 from sklearn.linear_model import LinearRegression。 6. 聚类分析有多种算法，如 K-Means、Hierarchical Clustering 等。 7. 支持向量机常用的核函数有高斯核函数、多项式核函数、贝叶斯核函数等。 8. 回归模型性能评估指标有平均绝对误差、均方误差、R Square 等。 9. 决策树生成算法有 ID3、C4.5、CART 等。 10. 神经元模型是神经网络中最基本的组成部分。 多项选择题 1. Python 机器学习编程库有 NumPy、Matplotlib、Sklearn 等。 2. 数据清洗包括缺失值处理、离群值检查等。 3. 决策树算法包括 ID3、C4.5、CART 等。 4. 回归模型有简单线性回归、多元线性回归、弹性回归等。 5. 神经网络算法可完成的任务有分类、回归、感知、机器翻译等。 名词解释 1. 欠拟合：模型训练数据和预测结果时，模型精确度均不高的情况，未能把握核心特征。 2. 性能评估：准确率、查准率、查全率、综合评价指标等。 3. 线性回归：针对一个或多个特征与连续目标变量之间的关系建模，主要分为简单线性回归和多元线性回归。 4. 分类：输入一个数据，训练模型推断出它的类别，通过已有数据集的学习，训练得到一个目标函数，把每个数据集的元素 x 映射到目标类别 y，且 y 必须是离散的。 5. 均方误差：是反映估计量与被估计量之间差异程度的一种度量。 简答题 1. 决策树算法的原理是：决策树是一个类似于流程图的树结构，分支节点表示对一个特征进行测试，根据测试结果进行分类，树叶节点代表一个类别。 2.朴素贝叶斯算法的原理是：利用概率统计进行分类，基于贝叶斯定理，对于一个待分类项，求解属于各个类别的概率，概率最大的类别即为待分类项的类别。 3. 在 SVM 中，线性不可分的理解是：线性不可分简单来说就是一个数据集不可以通过一个线性分类器（直线、平面）来实现分类。 编程题 1. 简单线性回归算法的编程步骤：导入库函数、导入数据集、建模（模型实例化）、模型拟合（模型训练）、预测、模型评价。 2. K 近邻算法分类的编程步骤：导入 Sklearn 库函数、导入数据集、建模（模型实例化）、模型拟合（模型训练）、预测、模型评价。