一个月刷完机器学习笔试题300题（13）

第十三天

1、假定你使用SVM学习数据X，数据X里面有些点存在错误。现在如果你使用一个二次核函数，多项式阶数为2，使用松弛变量C作为超参之一。
当你使用较大的C（C趋于无穷），则：
A
仍然能正确分类数据
B
不能正确分类
C
不确定
D
以上均不正确
正确答案是：A
采用更大的C，误分类点的惩罚就更大，因此决策边界将尽可能完美地分类数据。
2、假定你使用SVM学习数据X，数据X里面有些点存在错误。现在如果你使用一个二次核函数，多项式阶数为2，使用松弛变量C作为超参之一。
如果使用较小的C（C趋于0），则：
A
误分类
B
正确分类
C
不确定
D
以上均不正确
正确答案是：A
分类器会最大化大多数点之间的间隔，少数点会误分类，因为惩罚太小了。
3、如果我使用数据集的全部特征并且能够达到100%的准确率，但在测试集上仅能达到70%左右，这说明：
A
欠拟合
B
模型很棒
C
过拟合
正确答案是：C

4、下面哪个属于SVM应用
A
文本和超文本分类
B
图像分类
C
新文章聚类
D
以上均是
正确答案是：D
SVM广泛应用于实际问题中，包括回归，聚类，手写数字识别等。
5、假设你训练SVM后，得到一个线性决策边界，你认为该模型欠拟合。在下次迭代训练模型时，应该考虑：
A
增加训练数据
B
减少训练数据
C
计算更多变量
D
减少特征
正确答案是：C
由于是欠拟合，最好的选择是创造更多特征带入模型训练。
6、假设你训练SVM后，得到一个线性决策边界，你认为该模型欠拟合。假如你想修改SVM的参数，同样达到模型不会欠拟合的效果，应该怎么做？
A
增大参数C
B
减小参数C
C
改变C并不起作用
D
以上均不正确
正确答案是：A
增大参数C会得到正则化模型

7、SVM中使用高斯核函数之前通常会进行特征归一化，以下关于特征归一化描述不正确的是？
A
经过特征正则化得到的新特征优于旧特征
B
特征归一化无法处理类别变量
C
SVM中使用高斯核函数时，特征归一化总是有用的
正确答案是：C
不一定有用
8、假设现在只有两个类，这种情况下SVM需要训练几次？
A
1
B
2
C
3
D
4
正确答案是：A
两个类训练1次就可以了
9、假设你训练了一个基于线性核的SVM，多项式阶数为2，在训练集和测试集上准确率都为100%。
如果增加模型复杂度或核函数的多项式阶数，将会发生什么？
A
导致过拟合
B
导致欠拟合
C
无影响，因为模型已达100%准确率
D
以上均不正确
正确答案是：A
增加模型复杂度会导致过拟合

10、想象一下，机器学习中有1000个输入特征和1个目标特征，必须根据输入特征和目标特征之间的关系选择100个最重要的特征。你认为这是减少维数的例子吗？
A
是
B
不是
正确答案是：A