假设我们已经在ImageNet数据集(物体识别)上训练好了一个卷积神经网络。然后给这张卷积神经网络输入一张全白的图片。对于这个输入的输出结果为任何种类的物体的可能性都是一样的,对吗()。
A.对的
B.不知道
C.看情况
D.不对
A.对的
B.不知道
C.看情况
D.不对
A.除去神经网络中的最后一层,冻结所有层然后重新训练
B.对神经网络中的最后几层进行微调,同时将最后一层(分类层)更改为回归层
C.使用新的数据集重新训练模型
D.所有答案均不对
只用一个解释变量,求组间估计量的方程为其中上横线表示不同时期的平均。由于我们已经在这个方程中包含了一个截距, 所以我们可以假定E(ai)=0。假设对所有时期都成立(因为在横截面中随机抽样,所以对所有的;也都成立)。
(iii)如果不同时期的解释变量不是很相关,对于时期数越多,组间估计量之间的不一致性越小的观点,第(ii)部分有何结论?
(iii)由(ii)可知,xit是两两不相关的,大小是不一致的,且随着T线性增长。符号依赖于xit与ai的协方差。
A.特征X1很可能被排除在模型之外
B.特征X1很可能还包含在模型之中
C.无法确定特征X1是否被舍
D.以上答案都不正确
A.对训练集随机采样,在随机采样的数据上建立模型
B.尝试使用在线机器学习算法
C.使用PCA算法减少特征维度
A.准确度并不适合衡量不平衡类别问题
B.准确度适合衡量不平衡类别问题
C.精确度和召回率适合于衡量不平衡类别问题
D.精确度和召回率不适合衡量不平衡类别问题
A.使用前向特征选择方法
B.使用后向特征排除方法
C.我们先把所有特征都使用,去训练一个模型,得到测试集上的表现.然后我们去掉一个特征,再去训练,用交叉验证看看测试集上的表现.如果表现比原来还要好,我们可以去除这个特征
D.查看相关性表,去除相关性最高的一些特征
A.条件独立性假设不成立时,朴素贝叶斯分类器仍有可能产生最优贝叶斯分类器
B.在估计概率值时使用的拉普拉斯修正避免了因训练集样本不充分而导致概率估值为零的问题
C.由于马尔可夫链通常很快就能趋于平稳分布,因此吉布斯采样算法的收敛速度很快
D.二分类任务中两类数据满足高斯分布且方差相同时,线性判别分析产生贝叶斯最优分类器