注意：此页面搜索的是所有试题
国家开放大学大数据分析与挖掘技术
分类任务就是通过学习得到一个目标函数f，一个把自变量空间映射到因变量空间的函数，我们称该目标函数为决策函数或判别函数。
【A.】√
【B.】×
分类和回归的根本区别在于，分类的解释变量Y是一个一维的定性变量或离散变量。
【A.】√
【B.】×
判别分析的核心是建立判别法则。
【A.】√
【B.】×
如果已知或假定总体服从一定的分布，则可以使用参数判别规则，反之则可以使用非参数判别规则。
【A.】√
【B.】×
所有针对于二分类问题的模型都可以直接应用于多分类问题。
【A.】√
【B.】×
判别规则所依据的最简单的原则是，新样本离哪一个类别中心的距离最近，那么它就属于哪一类。
【A.】√
【B.】×
关于混淆矩阵，如果一个点属于正类并且被预测到负类中，称为：（ ）
【A.】真正类；
【B.】假正类；
【C.】真负类；
【D.】假负类。
关于混淆矩阵，如果一个点属于负类并且被预测到正类中，称为：（ ）
【A.】真正类；
【B.】假正类；
【C.】真负类；
【D.】假负类。
关于混淆矩阵，如果一个点属于正类并且被预测到正类中，称为：（ ）
【A.】真正类；
【B.】假正类；
【C.】真负类；
【D.】假负类。
关于混淆矩阵，如果一个点属于负类并且被预测到负类中，称为：（ ）
【A.】真正类；
【B.】假正类；
【C.】真负类；
【D.】假负类。
请为名词选择①-④表示其含义的描述，将配好的A-D填写到括号中。
【A.】①真正类 -> -> 如果一个点属于负类并且被预测到正类中
【B.】②假正类 -> -> 如果一个点属于正类并且被预测到正类中
【C.】③真负类 -> -> 如果一个点属于正类并且被预测到负类中
【D.】④假负类 -> -> 如果一个点属于负类并且被预测到负类中
样品和哪个总体距离最近，就判它属于哪个总体的分类方法是：（ ）
【A.】支持向量机
【B.】决策树
【C.】最近邻分类
【D.】线性判别
马氏距离实质上是经过标准化的变量的欧氏距离。
【A.】√
【B.】×
通常情况下，线性判别（距离判别）一般采用马氏距离。
【A.】√
【B.】×
马氏距离不受总体空间大小的影响，也不受计量单位的影响，反映了按平均水平计算被判定样本到中心的相对距离。
【A.】√
【B.】×
【A.】√
【B.】×
分类和回归的根本区别在于，分类的解释变量Y是一个一维的定性变量或离散变量。
【A.】√
【B.】×
判别分析的核心是建立判别法则。
【A.】√
【B.】×
如果已知或假定总体服从一定的分布，则可以使用参数判别规则，反之则可以使用非参数判别规则。
【A.】√
【B.】×
所有针对于二分类问题的模型都可以直接应用于多分类问题。
【A.】√
【B.】×
判别规则所依据的最简单的原则是，新样本离哪一个类别中心的距离最近，那么它就属于哪一类。
【A.】√
【B.】×
关于混淆矩阵，如果一个点属于正类并且被预测到负类中，称为：（ ）
【A.】真正类；
【B.】假正类；
【C.】真负类；
【D.】假负类。
关于混淆矩阵，如果一个点属于负类并且被预测到正类中，称为：（ ）
【A.】真正类；
【B.】假正类；
【C.】真负类；
【D.】假负类。
关于混淆矩阵，如果一个点属于正类并且被预测到正类中，称为：（ ）
【A.】真正类；
【B.】假正类；
【C.】真负类；
【D.】假负类。
关于混淆矩阵，如果一个点属于负类并且被预测到负类中，称为：（ ）
【A.】真正类；
【B.】假正类；
【C.】真负类；
【D.】假负类。
请为名词选择①-④表示其含义的描述，将配好的A-D填写到括号中。
【A.】①真正类 -> -> 如果一个点属于负类并且被预测到正类中
【B.】②假正类 -> -> 如果一个点属于正类并且被预测到正类中
【C.】③真负类 -> -> 如果一个点属于正类并且被预测到负类中
【D.】④假负类 -> -> 如果一个点属于负类并且被预测到负类中
样品和哪个总体距离最近，就判它属于哪个总体的分类方法是：（ ）
【A.】支持向量机
【B.】决策树
【C.】最近邻分类
【D.】线性判别
马氏距离实质上是经过标准化的变量的欧氏距离。
【A.】√
【B.】×
通常情况下，线性判别（距离判别）一般采用马氏距离。
【A.】√
【B.】×
马氏距离不受总体空间大小的影响，也不受计量单位的影响，反映了按平均水平计算被判定样本到中心的相对距离。
【A.】√
【B.】×