BAT机器学习面试1000题系列(第76~80题)


76.以下哪些方法不可以直接来对文本分类?
A、Kmeans
B、决策树
C、支持向量机
D、KNN正确答案: A分类不同于聚类。
@BlackEyes_SGC:A:Kmeans是聚类方法,典型的无监督学习方法。分类是监督学习方法,BCD都是常见的分类方法。

77.已知一组数据的协方差矩阵P,下面关于主分量说法错误的是()
A、主分量分析的最佳准则是对一组数据进行按一组正交基分解, 在只取相同数量分量的条件下,以均方误差计算截尾误差最小
B、在经主分量分解后,协方差矩阵成为对角矩阵
C、主分量分析就是K-L变换
D、主分量是通过求协方差矩阵的特征值得到
正确答案: C
@BlackEyes_SGC:K-L变换与PCA变换是不同的概念,PCA的变换矩阵是协方差矩阵,K-L变换的变换矩阵可以有很多种(二阶矩阵、协方差矩阵、总类内离散度矩阵等等)。当K-L变换矩阵为协方差矩阵时,等同于PCA。

78.kmeans的复杂度

微信图片_20171013192626.jpg


时间复杂度:O(tKmn),其中,t为迭代次数,K为簇的数目,m为记录数,n为维数空间复杂度:O((m+K)n),其中,K为簇的数目,m为记录数,n为维数

79.关于logit 回归和SVM 不正确的是(A)
A. Logit回归本质上是一种根据样本对权值进行极大似然估计的方法,而后验概率正比于先验概率和似然函数的乘积。logit仅仅是最大化似然函数,并没有最大化后验概率,更谈不上最小化后验概率。A错误
B. Logit回归的输出就是样本属于正类别的几率,可以计算出概率,正确
C. SVM的目标是找到使得训练数据尽可能分开且分类间隔最大的超平面,应该属于结构风险最小化。
D. SVM可以通过正则化系数控制模型的复杂度,避免过拟合。
@BlackEyes_SGC:Logit回归目标函数是最小化后验概率,Logit回归可以用于预测事件发生概率的大小,SVM目标是结构风险最小化,SVM可以有效避免模型过拟合。

80.输入图片大小为200×200,依次经过一层卷积(kernel size 5×5,padding 1,stride 2),pooling(kernel size 3×3,padding 0,stride 1),又一层卷积(kernel size 3×3,padding 1,stride 1)之后,输出特征图大小为:
95
96
97
98
99
100
正确答案:C
@BlackEyes_SGC:计算尺寸不被整除只在GoogLeNet中遇到过。卷积向下取整,池化向上取整。
本题 (200-5+2*1)/2+1 为99.5,取99
(99-3)/1+1 为97
(97-3+2*1)/1+1 为97
研究过网络的话看到stride为1的时候,当kernel为 3 padding为1或者kernel为5 padding为2 一看就是卷积前后尺寸不变。
计算GoogLeNet全过程的尺寸也一样。

微信图片_20171012143326.png


有好的见解或者面试题目欢迎在评论区留言,一起交流探讨。
欢迎转发,让更多小伙伴受益!

往期题目:
BAT机器学习面试1000题系列(第1~10题)
BAT机器学习面试1000题系列(第11~20题)
BAT机器学习面试1000题系列(第21~30题)
BAT机器学习面试1000题系列(第31~35题)
BAT机器学习面试1000题系列(第36~40题)
BAT机器学习面试1000题系列(第41~45题)
BAT机器学习面试1000题系列(第46~50题)
BAT机器学习面试1000题系列(第51~55题)
BAT机器学习面试1000题系列(第56~60题)
BAT机器学习面试1000题系列(第61~65题)
BAT机器学习面试1000题系列(第66~70题)
BAT机器学习面试1000题系列(第71~75题)
已邀请:

July - 抠细节抠体验,不妥协不将就。

赞同来自:


剩余的3000道题在这
https://www.julyedu.com/question/index

要回复问题请先登录注册

返回顶部