//仅供学习,请勿转载
一:若k为整形,下述while循环的次数为()
k =1000;
while(k>1)
{
Print k;
k=k/k;
}
解:log2(1024)=10;9<log2(1000)<10,所以,结果为9
二:基于二次准则函数的H-K算法较之于感知器算法的优点是();
解:1.可以判别问题是否线性可分。3:其解的适应性更好
HK算法思想很朴实,就是在最小均方误差准则下求得权矢量.
他相对于感知器算法的优点在于,他适用于线性可分和非线性可分得情况,对于线性可分的情况,给出最优权矢量,对于非线性可分得情况,能够判别出来,以退出迭代过程.
三:在统计模式分类中,当先验概率未知时,可以使用()?
1:N-P判决,2:最小最大损失准则。
在贝叶斯决策中,对于先验概率p(y),分为已知和未知两种情况。
1. p(y)已知,直接使用贝叶斯公式求后验概率即可;
2. p(y)未知,可以使用聂曼-皮尔逊决策(N-P决策)来计算决策面。而最大最小损失规则主要是使用解决最小损失规则时先验概率未知或难以计算的问题的。
四:下面函数可以作为聚类分析中的判别函数的有?
Bc
五:在()情况下,用分支定界法做特征选择计算量相对较少?BD
1:选用的可分性判据J对特征数目单调不减。2:
一般在( 可分性判据对特征个数具有单调性)和( Cnm>>n )的条件下,可以使用分支定界法以减少计算量
分支定界法:定义一个满足单调性条件的评价准则函数,对两个特征子集s1和s2而言,如果s1是s2的子集,那么s1所对应的评价函数必须要小于s2所对应的评价函数值,在定义了该评价函数的前提下,该算法对最终特征子集的选择过程可以用一棵树来描述,树根是所有特征的集合从树根可分性判据值和事先定义的最佳特征子集的特征数目,搜索满足要求的特征子集。
但是,存在三个问题:1.该算法无法对所有的特征依据其重要性进行排序,如何事先确定最优特征子集中特征的数目是一个很大的问题。2:合乎问题要求的满足单调性的可分性判据难以设计。3:当处理高维多分类问题时,算法要运行多次,计算效率低下的问题将非常明显。
六:以下()属于线性分类器最佳准则?acd
1:感知准则函数2:支持向量机3:Fisher准则
解:线性分类器有三大类:感知器准则函数,SVM,Fisher准则。
感知器准则函数:代价函数J=-(W*X+w0),分类的准则是最小化代价函数。感知器是神经网络的基础。
SVM:支持向量机也是很经典算法,优化目标是最大间隔,又称最大间隔分类器,是一种典型的线性分类器。(使用核函数可解决非线性问题)
Fisher准则:更广泛的称呼是线性判别分析(LDA),将所有样本投影到一条远点出发的直线,使得同类样本距离尽可能的小,不同类样本距离尽可能的大,具体为最大化“广义瑞利熵”
七:有两个样本点,第一个点为正样本,它的特征向量是(0,-1);第二个点为负样本,它的特征向量是(2,3),从这两个样本点组成的训练集构建一个线性SVM分类器的分类面方程式()b
解:先求斜率,再求中点。x+2y=3;斜率:(3-(-1))/(2-0)=2;中点(1,1),
八:下面代码片段中,存在编译错误的语句是bcd
Byte b1=1,b2=2,b3,b6,b8;
Final byte b4=4,b5=6,b7;
b3=(b1+b2); b6=b4+b5; b8=(b1+b4); b7=(b2+b5);
解:java中的类型解析知识点,final 根据自己类型转化,b1+b2变成int型,b3是byte型,无法接受
b4+b5是byte类型,b1+b4是int类型,b2+b5是int类型。
九:SecondNamenode的正确描述是()
1:SecondNamenode会周期的进行fsimage文件的合并,防止edits文件过大,导致Namenode启动时间过长,应该与Namenode部署到同一个节点上。
2:SecondNamenode是对主Namenode的一个补充,对内