人工智能-统计机器学习 无监督学习-第六次测试答案

1由于K均值聚类是一个迭代过程，我们需要设置其迭代终止条件。下面哪句话正确描述了K均值聚类的迭代终止条件（   B ） 

• A.已经形成了K个聚类集合，或者已经达到了迭代次数上限

• B.已经达到了迭代次数上限,或者前后两次迭代中聚类质心基本保持不变

• C.已经达到了迭代次数上限,或者每个待聚类样本分别归属唯一一个聚类集合

• D.已经形成了K个聚类集合，或者每个待聚类样本分别归属唯一一个聚类集合

2我们可以从最小化每个类簇的方差这一视角来解释K均值聚类的结果，下面对这一视角描述不正确的是（  D  ）

• A.每个簇类的方差累加起来最小

• B.每个样本数据分别归属于与其距离最近的聚类质心所在聚类集合

• C.最终聚类结果中每个聚类集合中所包含数据呈现出来差异性最小

• D.每个簇类的质心累加起来最小

3下面哪一句话描述不属于K均值聚类算法的不足(    B )

• A.算法迭代执行

• B.K均值聚类是无监督聚类

• C.需要事先确定聚类数目 

• D.需要初始化聚类质心 

4下面对数据样本方差解释不正确的是（    A ）

• A.方差刻画了样本数据的大小

• B.方差（样本方差）是每个样本数据与全体样本数据平均值之差的平方和的平均数

• C.方差描述了样本数据在平均值附近的波动程度

• D.方差刻画了随机变量或一组数据离散程度

5协方差可以用来计算两个变量之间的相关性，或者说计算两维样本数据中两个维度之间的相关性。基于计算所得的协方差值，可以来判断样本数据中两维变量之间是否存在关联关系。下面哪一个说法是不正确的（  D  ）

• A.当协方差值大于0 时，则两个变量线性正相关

• B.当协方差值等于0 时，则两个变量线性不相关

• C.当协方差值小于0 时，则两个变量线性负相关

• D.当协方差值等于0 时，则两个变量线性正相关

6皮尔逊相关系数（Pearson Correlation coefficient ）可将两组变量之间的关联度规整到一定的取值范围内。下面对皮尔逊相关系数描述不正确的是（C  ）

• A.皮尔逊相关系数等于1的充要条件是该两组变量具有线性相关关系

• B.皮尔逊相关系数的值域是[-1,1]

• C.皮尔逊相关系数刻画了两组变量之间线性相关程度，如果其取值越大，则两者在线性相关的意义下相关程度越大；如果其值越小，表示两者在线性相关的意义下相关程度越小

• D.皮尔逊相关系数是对称的

7下面对相关性(correlation)和独立性(independence)描述不正确的是（  D ）

• A.独立指两个变量彼此之间不相互影响

• B.如果两维变量彼此独立，则皮尔逊相关系数等于0

• C.如果两维变量线性不相关，则皮尔逊相关系数等于0

• D.“不相关”是一个比“独立”要强的概念，即不相关一定相互独立

8下面对主成分分析的描述不正确的是（   C ）

• A.在主成分分析中，将数据向方差最大方向进行投影，可使得数据所蕴含信息没有丢失，以便在后续处理过程中各个数据“彰显个性”

• B.主成份分析是一种特征降维方法

• C.在主成分分析中，所得低维数据中每一维度之间具有极大相关度

• D.主成分分析可保证原始高维样本数据被投影映射后，其方差保持最大

9假设原始数据个数为n，原始数据维数为d，降维后的维数为l，下面对主成分分析算法描述不正确的是（   D ）

• A.在主成分分析中，我们将带约束的最优化问题，通过拉格朗日乘子法将其转化为无约束最优化问题

• B. 主成分分析要学习一个映射矩阵，其大小是d×l

• C.每个原始数据的维数大小从d变成了l

• D.主成分分析学习得到了l个d维大小的向量，这l个d维向量之间彼此相关

10下面对特征人脸算法描述不正确的是（  D   ）

• A.每一个特征人脸的维数与原始人脸图像的维数一样大

• B.特征人脸方法是用一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像

• C.特征人脸方法是一种应用主成分分析来实现人脸图像降维的方法

• D.特征人脸之间的相关度要尽可能大