李宏毅老师机器学习选择题解析机器学习选择题解析加整理

59 阅读 0 评论 39 点赞

我是靠谱客的博主朴实月饼，最近开发中收集的这篇文章主要介绍李宏毅老师机器学习选择题解析机器学习选择题解析加整理，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

机器学习选择题解析加整理

项目说明，本项目是李宏毅老师在飞桨授权课程的配套问题
课程传送门
该项目AiStudio项目传送门

仅供学习参考！

三岁出品必是精品！
整理内容源于李宏毅老师机器学习课程群提问答疑解析内容！

单选题(一)

机器学习训练时，Mini-Batch 的大小优选为2个的幂，如 256 或 512。它背后的原因是什么？
A. Mini-Batch 为偶数的时候，梯度下降算法训练的更快
B. Mini-Batch 设为2的幂，是为了符合CPU、GPU的内存要求，利于并行化处理
C. 不使用偶数时，损失函数是不稳定的
D. 以上说法都不对

答案：B
解析：略

下列说法错误的是？
A. 当目标函数是凸函数时，梯度下降算法的解一般就是全局最优解
B. 进行 PCA 降维时，需要计算协方差矩阵
C. 沿负梯度的方向一定是最优的方向
D. 利用拉格朗日函数能解带约束的优化问题

答案：C
解析：沿负梯度的方向是函数值减少最快的方向但不一定就是最优方向。

关于 L1、L2 正则化下列说法正确的是？
A. L2 正则化能防止过拟合，提升模型的泛化能力，但 L1 做不到这点
B. L2 正则化技术又称为 Lasso Regularization
C. L1 正则化得到的解更加稀疏
D. L2 正则化得到的解更加稀疏

答案：C
解析：L1、L2 正则化都能防止过拟合，提升模型的泛化能力。L1 正则化技术又称为 Lasso Regularization。L1 正则化得到的解更加稀疏。

“增加卷积核的尺寸，一定能提高卷积神经网络的性能。” 这句话是否正确？
A. 正确
B. 错误

答案：B
解析：卷积核的尺寸是超参数，不一定增加其尺寸就一定增加神经网络的性能，需要验证选择最佳尺寸。

有 N 个样本，一般用于训练，一般用于测试。若增大 N 值，则训练误差和测试误差之间的差距会如何变化？
A. 增大
B. 减小

答案：B
解析：增加数据，能够有效减小过拟合，减小训练样本误差和测试样本误差之间的差距。

在回归模型中，下列哪一项在权衡欠拟合（under-fitting）和过拟合（over-fitting）中影响最大？
A. 多项式阶数
B. 更新权重 w 时，使用的是矩阵求逆还是梯度下降
C. 使用常数项

答案：A
解析：选择合适的多项式阶数非常重要。如果阶数过大，模型就会更加复杂，容易发生过拟合；如果阶数较小，模型就会过于简单，容易发生欠拟合。

如果我们说“线性回归”模型完美地拟合了训练样本（训练样本误差为零），则下面哪个说法是正确的？
A.测试样本误差始终为零
B.测试样本误差不可能为零
C.以上答案都不对

答案：C
解析：略

多选题（一）

下列方法中，可以用于特征降维的方法包括？
A. 主成分分析 PCA
B. 线性判别分析 LDA
C. AutoEncoder
D. 矩阵奇异值分解 SVD
E. 最小二乘法 LeastSquares

答案：ABCD
解析：主成分分析 PCA 、线性判别分析 LDA 、AutoEncoder、矩阵奇异值分解 SVD 都是用于特征降维的方法。最小二乘法是解决线性回归问题的算法，但是并没有进行降维。

下列关于极大似然估计（Maximum Likelihood Estimate，MLE），说法正确的是？
A. MLE 可能并不存在
B. MLE 总是存在
C. 如果 MLE 存在，那么它的解可能不是唯一的
D. 如果 MLE 存在，那么它的解一定是唯一的
答案：AC
解析：如果极大似然函数 L(θ) 在极大值处不连续，一阶导数不存在，则 MLE 不存在；另一种情况是 MLE 并不唯一，极大值对应两个θ。

下列哪种方法可以用来减小过拟合？
A. 更多的训练数据
B. L1 正则化
C. L2 正则化
D. 减小模型的复杂度

答案：ABCD
解析：略

单选题(二)

关于循环神经网络（RNN）描述正确的是
A.可以用于处理序列数据
B.不能处理可变长序列数据
C.不同于卷积神经网络，RNN的参数不能共享
D.隐藏层上面的unit彼此没有关联

答案：A
解析：RNN可以设置单独的句子长度参数，也能参数共享，隐藏层的神经元也是彼此作用的

下面梯度下降说法错误的是？
A.随机梯度下降是梯度下降中常用的一种
B.梯度下降包括随机梯度下降和批量梯度下降
C.梯度下降算法速度快且可靠
D.随机梯度下降是深度学习算法当中常用的优化算法之一

答案：C
解析：梯度下降一般只全量更新，效率低，所以随机梯度相比梯度下降，每次只选择部分样本做更新，效率更高，速度更快

下面关于无监督学习描述正确的是
A.无监督算法只处理“特征”，不处理“标签”
B.降维算法不属于无监督学习
C.K-meas算法和SVM算法都属于无监督学习
D.以上都不对

答案：A
解析：SVM属于监督学习算法，降维是非监督

"在一个神经网络里，知道每一个神经元的权重和偏差是最重要的一步，如果以某种方法知道了神经网络准确的权重和偏差，你就可以近似任何函数，实现这个最佳的方法是什么？
A.随机赋值，祈祷它们是正确的
B.搜索所有权重的偏差的组合，直到得到最佳值
C.赋予一个初始值，通过检查跟最佳值的差值，然后迭代更新权重
D.以上都不是

答案：C
解析：这是神经网络算法的原理

关于神经网络与深度学习的关系表述不正确的是？
A.深度学习的概念源于人工神经网络的研究
B.含有多个隐层的神经网络算法就是一种深度学习算法
C.单层神经网络也是深度学习的一种
D.卷积神经网络属于深度学习的一种

答案：C
解析：深度学习一般至少包含输入层，隐藏层，输出层，不是单层。

以下关于卷积神经网络，说法正确的是？
A.卷积神经网络只能有一个卷积核
B.卷积神经网络可以有多个卷积核，但是必须同大小
C.卷积神经网络可以有多个卷积核，可以不同大小
D.卷积神经网络不能使用在文本这种序列数据中

答案：C
解析：可以多个卷积核；大小也可以在不同的层，设置不同的值；在NLP领域也可以使用CNN做特征提取

以下关于逻辑回归的说法不正确的是？
A.逻辑回归必须对缺失值做预处理
B.逻辑回归要求自变量和目标变量是线性关系
C.逻辑回归比决策树，更容易过度拟合
D.逻辑回归只能做2值分类，不能直接做多值分类

答案：C
解析：决策树是更容易过拟合的

多选题（二）

训练误差会降低模型的准确率，产生欠拟合，此时如何提升模拟拟合度？
A.增加数据量
B.特征工程
C.减少正则化参数
D.提高模型复杂度

答案：B、C、D
解析：训练误差来自模型算法本身，和数据量大小无关

对于PCA说法正确的是？
A.我们必须在使用PCA前规范化数据
B.我们应该选择使得模型有最大variance的主成分
C.我们应该选择使得模型有最小variance的主成分
D.我们可以使用PCA在低维度上做数据可视化

答案：A、B、D
解析：主成分是能对数据产生巨大影响的，因此产生巨大影响的那么对于方差的影响肯定也很大，所以C不对

有关集成学习下列说法正确的是？
A.基本模型应尽量来自于同一算法，通过改变训练数据和参数，得到不同的基本模型
B.通常来讲，基本模型之间相关性应该低一些
C.集成的基本模型的数量越多，集成模型的效果就越好
D.bagging boosting 时常用的集成学习的方法

答案：B、D
解析：集成算法可以集成不同算法模型，这也正式集成算法有效的原因；基本模型越多，也可能导致过拟合，在模型选择上，应保证效果好的情况下再考虑集成

作者简介

作者：三岁
经历：自学python，现在混迹于paddle社区，希望和大家一起从基础走起，一起学习Paddle
csdn地址：https://blog.csdn.net/weixin_45623093/article/list/3
我在AI Studio上获得至尊等级，点亮9个徽章，来互关呀~ https://aistudio.baidu.com/aistudio/personalcenter/thirdview/284366