选择题题库1

1.

对于以下代码，char* p=new char[100]; 

正确的是（p在栈上，new出来的在堆上）。

p是一个指针，所以存储在栈上，p中存储的是新建的动态内存的地址，新建的动态内存在堆上。

 

2.一个有偏的硬币，抛了100次，出现1次人头，99次字。问用最大似然估计（ML）和最小均方误差（LSE）估计出现人头的概率哪个大？

 

3.字符串"//＾▽＾//\n"的长度是 (8)。

//这里指的是两个字符，\n是转义字符，一个字符

 

4.WHERE在数据分组前进行过滤，HAVING在数据分组后进行过滤。当where和having都可以时， 显然where查询效率更高。

 

5.下列哪个不属于CRF模型对于HMM和MEMM模型的优势 (B)

A.特征灵活 B.速度快 C.可容纳较多上下文信息 D.全局最优

1）CRF没有HMM那样严格的独立性假设条件，因而可以容纳任意的上下文信息。特征设计灵活（与ME一样） ————与HMM比较
2）同时，由于CRF计算全局最优输出节点的条件概率，它还克服了最大熵马尔可夫模型标记偏置（Label-bias）的缺点。 ­­————与MEMM比较
3）CRF是在给定需要标记的观察序列的条件下，计算整个标记序列的联合概率分布，而不是在给定当前状态条件下，定义下一个状态的状态分布。
————与ME比较
缺点：训练代价大、复杂度高。

 6.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是 (C)

A.2x+y=4 B.x+2y=5 C.x+2y=3 D.以上都不对

求斜率加过中点

7.下面关于ID3算法中说法错误的是（D）

A.ID3算法要求特征必须离散化

B.信息增益可以用熵，而不是GINI系数来计算

C.选取信息增益最大的特征，作为树的根节点

D.ID3算法是一个二叉树模型

ID3 算法生成的决策树是一棵多叉树，分支的数量取决于分裂属性有多少个不同的取值。 

ID3算法（Iterative Dichotomiser 3 迭代二叉树3代）是一个由Ross Quinlan发明的用于决策树的算法。可以归纳为以下几点：

1. 使用所有没有使用的属性并计算与之相关的样本熵值
2. 选取其中熵值最小的属性
3. 生成包含该属性的节点

ID3算法对数据的要求：

    1) 所有属性必须为离散量；

    2) 所有的训练例的所有属性必须有一个明确的值；

    3) 相同的因素必须得到相同的结论且训练例必须唯一。

 

8.SPSS中，数据整理的功能主要集中在（数据和转换 ）等菜单中。

9..excel工作簿a中有两列id、age,工作簿b中有一列id,需要找到工作薄b中id对应的age,可用的函数包括（index+match 和 vlookup）

INDEX: 函数返回表格或区域中的值或值的引用 .

 

MATCH: 在范围单元格中搜索特定的项 , 然后返回该项在此区域中的相对位置 .

 

VLOOKUP&HLOOKUP: 

如果查找范围的数据是纵向的,即,A列是姓名,B列是成绩,你要找姓名对应的成绩就用VLOOKUP  V代表垂直

如果查找范围的数据是横向的,即,第一行是姓名,第二行是成绩,你要找姓名对应的成绩就用HLOOKUP  H代表水平

 

FIND: 返回一个字符串在另一个字符串中出现的起始位置 ( 区分大小写 ).

 

IF: 可以对值和期待值进行逻辑比较 .

 

LIKE: 可用Like运算符自定义字符比较函数之类的, 应该是VBA的函数.

 

10. 随机无放回抽样跟随机有放回抽样比较， （有）放回抽样方差大。

集合{1,2}，抽样2次，有放回抽样结果为{1,1}{1,2}{2,1}{2,2}，概率均为1/4.无放回抽样结果为{1,2}，{2,1}，

是指一个集合{a,b}中的方差，还是不同集合结果的方差？后者在例子中，无放回抽样方差是0。

12.常采用特征选择方法。常见的六种特征选择方法：

1. DF(Document Frequency) 文档频率
   DF:统计特征词出现的文档数量，用来衡量某个特征词的重要性

2. MI(Mutual Information) 互信息法
   互信息法用于衡量特征词与文档类别直接的信息量。
   如果某个特征词的频率很低，那么互信息得分就会很大，因此互信息法倾向”低频”的特征词。
   相对的词频很高的词，得分就会变低，如果这词携带了很高的信息量，互信息法就会变得低效。

3. (Information Gain) 信息增益法
   通过某个特征词的缺失与存在的两种情况下，语料中前后信息的增加，衡量某个特征词的重要性。

4. CHI(Chi-square) 卡方检验法
   利用了统计学中的”假设检验”的基本思想：首先假设特征词与类别直接是不相关的
   如果利用CHI分布计算出的检验值偏离阈值越大，那么更有信心否定原假设，接受原假设的备则假设：特征词与类别有着很高的关联度。

5. WLLR(Weighted Log Likelihood Ration)加权对数似然

6. WFO（Weighted Frequency and Odds）加权频率和可能性

13.隐马尔可夫模型三个基本问题以及相应的算法说法正确的是（A/B/C）

A.评估—前向后向算法

B.解码—维特比算法

C.学习—Baum-Welch算法

D.学习—前向后向算法

14.下列方法中，可以用于特征降维的方法包括（都可以）

主成分分析PCA

线性判别分析LDA

深度学习SparseAutoEncoder（稀疏自编码）

矩阵奇异值分解SVD

AutoEncoder的结构与神经网络的隐含层相同，由输入L1,输出 L2组成，中间则是权重连接。Autoencoder通过L2得到输入的重构L3，最小化L3与L1的差别 进行训练得到权重。在这样的权重参数下，得到的L2可以尽可能的保存L1的信息。

Autoencoder的输出L2的维度由输出的神经元个数决定。当输出维度大于L1时，则需要在训练目标函数中加入sparse 惩罚项，避免L2直接复制L1（权重全为1）。所以称为sparseAutoencoder( Andrew Ng提出的)。

结论：当隐藏层的神经元数目比输入的少的时候，是对高维输入数据进行压缩表示，起到降维的作用。

15.下列哪些方法可以用来对高维数据进行降维 （都可以）

LASSO

主成分分析法

聚类分析

小波分析法

线性判别法

拉普拉斯特征映射

  

 

 

转载于:https://www.cnblogs.com/mindyhuang/p/9782435.html