BAT机器学习面试1000题(686~690题)


686题

在 k-均值算法中,以下哪个选项可用于获得全局最小?

1 尝试为不同的质心(centroid)初始化运行算法

2 调整迭代的次数

3 找到集群的最佳数量

A、2 和 3

B、1 和 3

C、1 和 2

D、以上所有

正确答案是:D

解析:

答案(D):所有都可以用来调试以找到全局最小。

687题

假设你正在做一个项目,它是一个二元分类问题。你在数据集上训练一个模型,并在验证数据集上得到混淆矩阵。基于上述混淆矩阵,下面哪个选项会给你正确的预测。

1 精确度是~0.91

2 错误分类率是~0.91

3 假正率(False correct classification)是~0.95

4 真正率(True positive rate)是~0.95

A、1 和 3

B、2 和 4

C、1 和 4

D、2 和 3

正确答案是:C

解析:

答案(C):精确度(正确分类)是 (50+100)/165,约等于 0.91。真正率是你正确预测正分类的次数,因此真正率将是 100/105 = 0.95,也被称作敏感度或召回。

688题

对于下面的超参数来说,更高的值对于决策树算法更好吗?

1 用于拆分的样本量

2 树深

3 树叶样本

A、1 和 2

B、2 和 3

C、1 和 3

D、1、2 和 3

E、无法分辨

正确答案是:E

解析:

答案(E):对于选项 A、B、C 来说,如果你增加参数的值,性能并不一定会提升。例如,如果我们有一个非常高的树深值,结果树可能会过拟合数据,并且也不会泛化。另一方面,如果我们有一个非常低的值,结果树也许与数据欠拟合。因此我们不能确定更高的值对于决策树算法就更好。

689题

想象一下,你有一个 28x28 的图片,并使用输入深度为 3 和输出深度为 8 在上面运行一个 3x3 的卷积神经网络。注意,步幅padding是1,你正在使用相同的填充(padding)。当使用给定的参数时,输出特征图的尺寸是多少?

A、28 宽、28 高、8 深

B、13 宽、13 高、8 深

C、28 宽、13 高、8 深

D、13 宽、28 高、8 深

正确答案是:A

解析:

答案(A)

计算输出尺寸的公式是:输出尺寸=(N – F)/S + 1。其中,N 是输入尺寸,F 是过滤器尺寸,S 是步幅。更多可阅读这篇文章(链接:https://www.analyticsvidhya.co ... orks/)获得更多了解。

690题

假设,我们正在 SVM 算法中为 C(惩罚参数)的不同值进行视觉化绘图。由于某些原因,我们忘记了使用视觉化标注 C 值。这个时候,下面的哪个选项在 rbf 内核的情况下最好地解释了下图(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 C 3)中的 C 值。

1.jpg


A、C1 = C2 = C3

B、C1 > C2 > C3

C、C1 < C2 < C3

D、没有一个

正确答案是:C

解析:

答案 (C):错误项的惩罚参数 C。它也控制平滑决策边界和训练点正确分类之间的权衡。对于 C 的大值,优化会选择一个较小边距的超平面。更多内容:https://www.analyticsvidhya.co ... code/

题目来源:七月在线官网(https://www.julyedu.com/)——面试题库——笔试练习——机器学习
已邀请:

要回复问题请先登录注册

返回顶部