BAT題庫 | 機器學習面試1000題系列（第246~250題）
246.對於神經網路的說法, 下面正確的是 :
1. 增加神經網路層數, 可能會增加測試資料集的分類錯誤率
2. 減少神經網路層數, 總是能減小測試資料集的分類錯誤率
3. 增加神經網路層數, 總是能減小訓練資料集的分類錯誤率
A. 1
B. 1 和 3
C. 1 和 2
D. 2
答案: A
深度神經網路的成功, 已經證明, 增加神經網路層數, 可以增加模型範化能力, 即, 訓練資料集和測試資料集都表現得更好. 但更多的層數, 也不一定能保證有更好的表現（https://arxiv.org/pdf/1512.03385v1.pdf）. 所以, 不能絕對地說層數多的好壞, 只能選A
247.假如我們使用非線性可分的SVM目標函式作為最優化物件, 我們怎麼保證模型線性可分？
A. 設C=1
B. 設C=0
C. 設C=無窮大
D. 以上都不對
答案: C
C無窮大保證了所有的線性不可分都是可以忍受的.
248.訓練完SVM模型後, 不是支援向量的那些樣本我們可以丟掉, 也可以繼續分類:
A. 正確
B. 錯誤
答案: A
SVM模型中, 真正影響決策邊界的是支援向量
249.以下哪些演算法, 可以用神經網路去構造:
1. KNN
2. 線性迴歸
3. 對數機率迴歸
A. 1和 2
B. 2 和 3
C. 1, 2 和 3
D. 以上都不是
答案: B
1. KNN演算法不需要訓練引數, 而所有神經網路都需要訓練引數, 因此神經網路幫不上忙
2. 最簡單的神經網路, 感知器, 其實就是線性迴歸的訓練
3. 我們可以用一層的神經網路構造對數機率迴歸
250.請選擇下面可以應用隱馬爾科夫(HMM)模型的選項:
A. 基因序列資料集
B. 電影瀏覽資料集
C. 股票市場資料集
D. 所有以上
答案: D
只要是和時間序列問題有關的 , 都可以試試HMM
往期題目：
課程諮詢｜微信：julyedukefu
七月熱線：010-82712840
相關推薦
BAT題庫 | 機器學習面試1000題系列（第246~250題）
246.對於神經網路的說法, 下面正確的是 : 1. 增加神經網路層數, 可能會增加測試資料集的分類錯誤率 2. 減少神經網路層數, 總是能減小測試資料集的分類錯誤率 3. 增加神經網路層數,
BAT機器學習面試1000題系列（第76~149題）
正文共43140個字，124張圖，預計閱讀時間：108分鐘。76、看你是搞視覺的，熟悉哪些CV框
BAT機器學習面試1000題系列（第150~279題）
長文~可先收藏再看喲~150、在感知機中（Perceptron）的任務順序是什麼？深度學習 DL
BAT機器學習面試1000題系列（第1~305題
1 請簡要介紹下SVM，機器學習 ML模型 易SVM，全稱是support vector machine，中文名叫支援向量機。SVM是一個面向資料的分類演算法，它的目標是為確定一個分類超平面，從而將不同的資料分隔開。 擴充套件：這裡有篇文章詳盡介紹了SVM的原理、推導，《支援
BAT機器學習面試1000題系列 第1 305題
14 L1和L2正則先驗分別服從什麼分佈。機器學習 ML基礎 易@齊同學：面試中遇到的，L1和L2正則先驗分別服從什麼分佈，L1是拉普拉斯分佈，L2是高斯分佈。@AntZ: 先驗就是優化的起跑線, 有先驗的好處就是可以在較小的資料集中有良好的泛化效能，當然這是在先驗分佈是接近真實分佈的情況下得到的了，從資訊理
BAT機器學習面試1000題系列（第1~60題）
@寒小陽、龍心塵 1 抽象成數學問題 明確問題是進行機器學習的第一步。機器學習的訓練過程通常都是一件非常耗時的事情，胡亂嘗試時間成本是非常高的。 這裡的抽象成數學問題，指的我們明確我們可以獲得什麼樣的資料，目標是一個分類還是迴歸或者是聚類的問題，如果都不是的話，如果劃歸為其中的某類問題。 2 獲取
BAT機器學習面試1000題系列大集合整理(320)
BAT機器學習面試1000題系列大集合整理（已整理至320題）此博文整合了全部發布的最新題目，排版已經經過本人整理，公式已用latex語法表示，方便讀者閱讀。同時連結形式也做了優化，可直接跳轉至相應頁面，希望能夠幫助讀者提高閱讀體驗，文中如果因為本人的整理出
BAT機器學習面試1000題系列（第1~305題）
引言在今年的神經網路頂級會議NIPS2016上，深度學習三大牛之一的Yann Lecun教授給出了一個關於機器學習中的有監督學習、無監督學習和增強學習的一個有趣的比喻，他說：如果把智慧（Intelligence）比作一個蛋糕，那麼無監督學習就是蛋糕本體，增強學習是蛋糕上的櫻桃，那麼監督學習，僅僅能算作蛋糕上的
機器學習知識點查漏補缺（隨機森林和extraTrees）
efault 生成 xtra lac use sample strategy default lin 隨機森林 對數據樣本及特征隨機抽取，進行多個決策樹訓練，防止過擬合，提高泛化能力 一般隨機森林的特點： 1、有放回抽樣（所以生成每棵樹的時候，實際數據集會有重復），
機器學習知識點查漏補缺（支持向量機）
技巧 條件 blog 更多 nbsp pos .com 最優化 應該 一、模型概念 支持向量機的模型基本模型是建立在特征空間上的最大間隔線性分類器，通過使用核技巧，可以使它成為非線性分類器。 當訓練數據線性可分時，通過硬間隔最大化，學習一個線性分類器，即線性可分支持向量
機器學習筆記 -吳恩達（第一章：緒論）
0.機器學習定義 一個程式由經驗E中學習，解決任務T，達到效能度量值P，當且僅當，有了經驗值E後，經過P的評判，程式在處理T的時候經驗有所提升。 1.機器學習運用領域： 資料探勘
吳恩達機器學習邏輯迴歸python實現（未正則化）[對應ex2-ex2data2.txt資料集]
寫在前面： 1.筆記重點是python程式碼實現，不敘述如何推導。參考本篇筆記前，要有邏輯迴歸的基礎（熟悉代價函式、梯度下降、矩陣運算和python等知識），沒有基礎的同學可通過網易雲課堂上吳恩達老師的機器學習課程學習。網上也有一些對吳恩達老師課後作業的python實現，大多數都是用
機器學習演算法簡介和程式碼（P&R語言）
機器學習演算法，P&R語言 一般說來，機器學習有三種演算法： 1. 監督式學習 監督式學習演算法包括一個目標變數（因變數）和用來預測目標變數的預測變數（自變數）。通過這些變數我們可以搭建一個模型，從而對於一個已知的預測變數值，我們可以得到對應的目標變數值。重複訓練這
機器學習2：Naive Bayes（樸素貝葉斯）
參考：https://blog.csdn.net/syoya1997/article/details/78618885貝葉斯模型的講解 貝葉斯模型 ，二分類中展開為 P(H) – 已知的先驗概率 P(H|E) – 我們想求的後驗概率，即在B事件發生後對於事件A概率的評估
機器學習中的數學系列（一）矩陣與矩陣乘法
1.對於矩陣的認識應當把它看成是多個向量的排列表或把矩陣看成行向量，該行向量中的每個元素都是一個列向量，即矩陣是複合行向量。如下圖所示。 2.對於下面這個矩陣的乘法有兩種看法： (1)矩陣將向量[b1,b2,b3].T進行了運動變換，這種變換可以是同空間內變
機器學習-實現簡單神經網路（筆記和程式碼實現）
一、神經網路簡介 神經網路演算法的發展歷史 起源：20世紀中葉，一種仿生學產品。 興起：環境->2進位制創新；能力->軟硬體；需求->人的價效比。 主要功能： 分類識別
機器學習實戰【5】（SVM-支援向量機）
本部落格記錄《機器學習實戰》（MachineLearningInAction）的學習過程，包括演算法介紹和python實現。 SVM（支援向量機） SVM是一種分類演算法，通過對訓練集資料的分析找到最好的分隔平面，然後用該平面對新資料進行分類。本
《機器學習》--周志華 （第五章學習筆記）
神經網路 神經元模型 神經網路是由具有適應性的簡單單元組成的廣泛並行互連的網路，它的組織能夠模擬生物神經系統對真實世界物體所作出的互動反應 神經網路中最基本的成分是神經元模型，即“簡單單元”，在生物神經網路中，每個神經元與其他神經元相連
TensorsFlow學習筆記3----面向機器學習初學者的MNIST教程（MNIST For ML Beginners）
記錄關鍵內容與學習感受。未完待續。。 面向機器初學者的MNIST教程（MNIST For ML Beginners） —–適用於對機器學習和tensorflow初學者。而這裡MNIST就好比學語言時候的列印hello world。 —–MNIS
機器學習筆記：決策樹（ID3,C4.5,CART）
學習資料：《統計學習方法》，《機器學習》(周志華)，韓小陽ppt，鄒博ppt。 決策樹是一種樹形結構，對例項進行分類和迴歸的，下面主要說的是用來進行分類，最後說道CART的時候也會說到決策樹用到迴歸問題上。 1、決策樹模型與學習 先給出分類決策樹模型定義：是一種對例項資料進行