题目下面关于决策树算法说法错误的是()
A.信息增益选择特征偏向于纯度较好的特征作为优先项
B.信息熵是度量样本纯度最常用的一种指标
C.ID3算法不仅能处理离散型数据,还能处理连续型数据
D.ID3算法可能会导致模型的泛化能力下降的问题
C、ID3算法不仅能处理离散型数据,还能处理连续型数据
A.信息增益选择特征偏向于纯度较好的特征作为优先项
B.信息熵是度量样本纯度最常用的一种指标
C.ID3算法不仅能处理离散型数据,还能处理连续型数据
D.ID3算法可能会导致模型的泛化能力下降的问题
C、ID3算法不仅能处理离散型数据,还能处理连续型数据
A.样本集中分类的比例越平均,信息熵越小
B.信息熵与信息增益成正比
C.信息增益越大,则特征能够为分类系统带来信息量越大
D.信息熵与信息增益成反比
A.冗余属性不会对决策树的准确率造成不利的影响
B.子树可能在决策树中重复多次
C.决策树算法对于噪声的干扰非常敏感
D.寻找最佳决策树是NP完全问题
A.冗余属性不会对决策树的准确率造成不利的影响
B.子树可能在决策树中重复多次
C.决策树算法对于噪声的干扰非常敏感
D.寻找最佳决策树是NP完全问题
A.冗余属性不会对决策树的准确率造成不利的影响
B.子树可能在决策树中重复多次
C.决策树算法对于噪声的干扰非常敏感
D.寻找最佳决策树是NP完全问题
A.各基分类器之间有较强依赖,不可以进行并行训练
B.最著名的算法之一是基于决策树基分类器的随机森林
C.当训练样本数量较少时,子集之间可能有重叠
D.为了让基分类器之间互相独立,需要将训练集分为若干子集
A.随机森林由若干决策树构成,决策树之间存在关联性。
B.随机森林学习过程分为选择样本,选择特征,构建决策树、投票四个部分。
C.随机森林算法容易陷入过拟合。
D.随机森林构建决策树时,是无放回的选取训练数据。
A.深度强化学习
B.决策树算法
C.支持向量机
D.线性回归
A.梯度下降算法需要选择学习率,正规方程则不需要
B.梯度下降算法需要迭代运算多次,正规方程只需要运算一次
C.梯度下降算法和正规方程都适用于各种类型的模型
D.梯度下降算法对特征量大时也能很好的适用,正规方程耗时太多不太适用
E.解析
F.所以选择C