- 课程
- 教程
- 面试准备
最后更新 ： 讨论评论
问题 1
在机器学习模型的语境中，什么是过拟合？
- 用不足的数据拟合模型
- 将模型拟合得与训练数据过于紧密
- 用特征太少的模型拟合
- 将模型拟合到验证集
问题 2
在强化学习中，探索与利用权衡 的作用是什么？
- 平衡监督学习和无监督学习的使用
- 平衡精确率 和召回率 之间的权衡
- 平衡探索新行动与利用已知行动之间的权衡
- 以上所有
问题 3
损失函数 的选择如何影响机器学习模型的训练？
- 损失函数对训练没有影响
- 损失函数决定了优化目标
- 损失函数定义了模型的架构
- 损失函数的选择仅影响模型评估
问题 4
解释概率图模型中“潜变量” 的概念。
- 不能直接观测但从观测变量中推断出来的变量
- 在数据集中直接测量的变量
- 代表缺失数据的变量
- 用于编码时间信息的变量
问题 5
在集成学习 中，Bagging 和 Boosting 有什么区别？
- Bagging 增加模型多样性，Boosting 减少多样性
- Bagging 顺序训练模型，Boosting 并行训练模型
- Bagging 使用投票组合预测，Boosting 使用加权平均组合预测
- Bagging 独立训练每个模型，Boosting 专注于以前模型错误分类的样本
问题 6
在决策树的语境中，熵 的概念是什么？
- 数据集中杂质或无序程度的度量
- 决策树的深度
- 训练数据与测试数据的比率
- 树中叶节点的数量
问题 7
在无监督学习中，期望最大化 算法的目的是什么？
- 最大化观测数据的似然
- 最小化自动编码器 中的重构误差
- 插补数据集中的缺失值
- 迭代估计混合模型的参数
问题 8
在梯度下降优化中，learning_rate (学习率) 参数的作用是什么？
- 算法收敛的速度
- 应用于模型的正则化强度
- 优化过程中的迭代次数
- 每次迭代中采取的步长大小
问题 9
在神经网络训练中，epochs (轮数) 参数的目的是什么？
- 神经网络中的层数
- 一次迭代中处理的训练样本数量
- 权重更新的学习率
- 完整遍历整个训练数据集的次数
问题 10
核函数 的选择如何影响支持向量机 (SVM) 的性能？
- 核函数对 SVM 性能没有影响
- 核函数决定了 SVM 的最大间隔
- 核函数定义了输入特征到高维空间的变换
- 核函数影响训练期间的学习率
标签：Python测验
还有 32 个问题需要完成。
参与正在进行的讨论