不容错过的机器学习/深度学习笔试题及解析！

点击文末原文链接，即可查看详细解析

1.在构建一个决策树模型时，我们对某个属性分割节点，下面四张图中，哪个属性对应的信息增益最大？

A.outlook B.humidity C.windy D.temperature

答案：A

2.如果回归模型中存在多重共线性（multicollinearity），应该如何解决这一问题而不丢失太多信息？

①. 剔除所有的共线性变量

②. 剔除共线性变量中的一个

③. 通过计算方差膨胀因子（Variance Inflation Factor，VIF）来检查共线性程度，并采取相应措施

④. 删除相关变量可能会有信息损失，我们可以不删除相关变量，而使用一些正则化方法来解决多重共线性问题，例如 Ridge 或 Lasso 回归。

A.①③ B.②③④ C.①③④ D.②④

答案：B

3."监督式学习中存在过拟合，而对于非监督式学习来说，没有过拟合"，这句话是否正确？

A.正确 B.错误

答案：B

4.逻辑回归与多元回归分析有哪些不同之处？

A.逻辑回归用来预测事件发生的概率

B.逻辑回归用来计算拟合优度指数

C.逻辑回归用来对回归系数进行估计

D.以上都是

答案：D

5.在一个简单的线性回归模型中（只有一个变量），如果将输入变量改变一个单位（增加或减少），那么输出将改变多少？

A.一个单位 B.不变 C.截距 D.回归模型的尺度因子

答案：D

6.在 n 维空间中（n > 1），下列哪种方法最适合用来检测异常值？

A.正态概率图 B.箱形图 C.散点图 D.马氏距离

答案：D

7.下图是两个不同 β0、β1 对应的逻辑回归模型（绿色和黑色）：

关于两个逻辑回归模型中的 β0、β1 值，下列说法正确的是？

注意：y= β0+β1*x， β0 是截距，β1 是权重系数。

A.绿色模型的 β1 比黑色模型的 β1 大

B.绿色模型的 β1 比黑色模型的 β1 小

C.两个模型的 β1 相同

D.以上说法都不对

答案：B

8.假如我们利用 Y 是 X 的 3 阶多项式产生一些数据（3 阶多项式能很好地拟合数据）。那么，下列说法正确的是？

① 简单的线性回归容易造成高偏差（bias）、低方差（variance）

② 简单的线性回归容易造成低偏差（bias）、高方差（variance）

③ 3 阶多项式拟合会造成低偏差（bias）、高方差（variance）

④ 3 阶多项式拟合具备低偏差（bias）、低方差（variance）

A.①③ B.①④ C.②③ D.②④

答案:B