机器学习之逻辑回归丨KNN测试

选择题

【正确答案: A D】
A.
B.
C.
D.
【正确答案: B】
A.
B.
C.
D.
【正确答案: C, D】
A.
B.
C.
D.
假设我们三个类别中心，若某测试样本为，它的 $c^{(i)}$ 是多少？
【正确答案: B】
A.1
B.2
C.3
D.不确定
假设你训练一个逻辑回归分类器，输入一个新的样本x，输出预测值 $h_{\theta}(x)$ =0.35，这意味着【正确答案: A B】
A. $P(y=1|x;\theta)=0.35$
B. $P(y=0|x;\theta)=0.65$
C. $P(y=1|x;\theta)=0.65$
D. $P(y=0|x;\theta)=0.35$
以下哪个图你认为假设函数在训练集上存在过拟合？【正确答案: B】
A.
B.
C.
D.
以下哪个图你认为假设函数在训练集上存在欠拟合？【正确答案: D】
A.
B.
C.
D.
【正确答案: A】
A.
B.
C. AB都是
D. AB都不是
【正确答案: C】
A.
B.
C.
D.
以下哪些说法是正确的？【正确答案: D】
A.
B.
C.
D.

【正确答案: D】
A.
B.
C.

【正确答案: CD】
A. $P(y=1|x;\theta)=0.6$
B. $P(y=0|x;\theta)=0.4$
C. $P(y=1|x;\theta)=0.4$
D. $P(y=0|x;\theta)=0.6$
kNN算法称为K最近邻分类算法。就是需要预测a，就根据最接近a的K的数据的最大特征结果来表示a的类别, 下面关于K的选择正确的是【正确答案: A B D】
A.K值较小，则模型复杂度较高，容易发生过拟合，学习的估计误差会增大，预测结果对近邻的实例点非常敏感
B.K值较大可以减少学习的估计误差，但是学习的近似误差会增大
C.与输入实例较远的训练实例也会对预测起作用，使预测发生错误，k值增大模型的复杂度会增加
D.在应用中，k值一般取一个比较小的值，通常采用交叉验证法来来选取最优的K值
当发现机器学习模型过拟合时，以下操作正确的是【正确答案: A B C】
A.降低特征维度
B.增加样本数量
C.添加正则项
D.增加特征维度
不平衡是指：输入实例的K邻近点中，大数量类别的点会比较多，但其实可能都离实例较远，这样会影响最后的分类的精度，下面可以解决不平衡问题的是: 【正确答案: A】
A. 对样本点根据距离及逆行加权，近处节点赋予较大权重，反之较小权重
B. 选择较大的K值
C. 采用KD树优化
D. 选择较小的K值
关于KNN的缺点正确的是【正确答案: A】
A. 计算量大
B. 存在类别不平衡问题
C. 需要大量内存
D. 计算结果好坏依赖于K的选择
关于 KNN的优点正确的是【正确答案: A】
A. KNN既可以做非线性分类又可以做回归
B. 准确率高
C. 原理简单，对数据没有假设
D. 对离群点不敏感
KNN的三要素是下面哪三项【正确答案: BCD】
A. 判断数据是否有标签
B. 距离度量的方式
C. 分类和回归决策规则
D. k值的选取
KNN算法称为K最近邻分类算法，当需要预测样本a的类别时，就可以根据最接近a的K个数据来近似表示a,下面关于K的选择正确的是【正确答案: ABC】
A. K值较小，则模型复杂度较高，容易发生过拟合，学习的估计误差会增大，预测结果对近邻的实例点非常敏感
B. K值较大可以减少学习的估计误差，但是学习的近似误差会增大
C. 在应用中，k值一般取一个比较小的值，通常采用交叉验证法来来选取最优的K值
D. 与输入实例较远的训练实例也会对预测起作用，使预测发生错误，k值增大模型的复杂度会增加
【正确答案: A】
A.
B.
C.
D.

判断题

K近邻算法是一种无监督学习算法。
【正确答案：错误】
K近邻算法对数据集中特征的尺度不敏感。
【正确答案：错误】
K近邻算法中的K值表示特征空间的维度数。
【正确答案：错误】
K近邻算法可用于回归问题。
【正确答案：正确】
K近邻算法中，欧氏距离越小，表示样本越相似。
【正确答案：正确】
K近邻算法的计算开销主要受训练集大小影响。
【正确答案：正确】
逻辑回归是一种回归模型。
【正确答案：错误】
分类模型一般采用均方损失函数，回归模型通常采用交叉熵损失函数。
【正确答案：错误】
K-MEANS算法若选择了不合适的初始聚类中心，可能会导致算法陷入局部最优。
【正确答案：正确】
学习曲线可以用来判断模型是否存在过拟合或欠拟合。
【正确答案：正确】
K近邻算法的超参数K的选择不受训练集大小和数据维度的影响。
【正确答案：错误】
K近邻算法的决策边界是特征空间中两个类别的中间线。
【正确答案：错误】
K近邻算法在处理不平衡数据集时对多数类别更为敏感。
【正确答案：正确】

简答题

什么是k均值聚类算法，它是如何工作的？
- k均值聚类算法是一种常用的聚类分析方法。
- 通过将数据分配给最近的聚类中心将数据划分为k个类别，并且不断更新聚类的中心，直至聚类稳定。
KNN算法中的K值选择对结果有何影响？如何选择合适的K值？
- KNN算法中的K值是指选择多少个邻居来参与投票或平均。
- K值的选择直接影响算法的性能。
- 通过交叉验证等技术.
什么是K近邻算法（KNN）？它的工作原理是什么？
- K近邻算法（KNN）是一种基本的监督学习算法，用于分类和回归问题。
- KNN的工作原理可以概括为：“近朱者赤，近墨者黑”，即一个样本的类别或数值很可能与其周围的邻居相似。
什么是查准率（精确率）？什么是查全率（召回率）？如何权衡查准率（精确率）与查全率（召回率）？
- 查准率（Precision）：查准率是指模型预测为正类别的样本中，真正为正类别的比例。
- 查全率（Recall）：查全率是指所有正类别样本中，被模型正确预测为正类别的比例。