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
马氏距离既受总体空间大小的影响，也受计量单位的影响，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.】×
对每个样本，先计算判别函数得分，然后根据先验概率和判别函数得分的条件概率，计算出该样本被判为每一类的后验概率，被判入哪一类的后验概率最大，则把样本判为哪一类。该分类方法是（ ）
【A.】聚类判别
【B.】决策树
【C.】贝叶斯判别
【D.】线性判别
下列关于贝叶斯判别和线性判别，说法正确的是（ ）
【A.】贝叶斯判别考虑每个分类的观察值不同时，每类出现的机会是不同的。
【B.】贝叶斯判别与距离判别的结果总是一样的。
【C.】线性判别简单、直观且实用。
【D.】线性判别考虑了误判所造成的损失差异。
下列不是判别分析的方法（ ）。
【A.】距离判别
【B.】协方差阵判别
【C.】聚类判别
【D.】贝叶斯判别
下列关于贝叶斯判别和线性判别，说法错误的是（ ）。
【A.】贝叶斯判别考虑每个分类的观察值不同时，每类出现的机会是不同的。
【B.】贝叶斯判别与距离判别的结果总是一样的。
【C.】线性判别简单、直观且实用。
【D.】线性判别考虑了误判所造成的损失差异。
关于下面的贝叶斯判别结果说法正确的是（ ）。
Setosaversicolorvirginica01.000000e+005.048809e-171.869461e-2516.250263e-1712.635294e-029.736471e-0121.937522e-3152.179357e-121.000000e+0033.729519e-1169.868228e-011.317724e-0241.000000e+005.634438e-184.545093e-26
【A.】编号0的观测将被判为Setosa一类
【B.】编号4的观测将被判为Setosa一类
【C.】编号3的观测将被判为versicolor一类
【D.】编号1的观测将被判为versicolor一类
贝叶斯判别既没有考虑每个分类的观察值不同时，每类出现的机会是不同的，也没有考虑误判所造成的损失差异。
【A.】√
【B.】×
先验概率与后验概率一定不相同。
【A.】√
【B.】×
距离判别既没有考虑每个分类的观察值不同时，每类出现的机会是不同的，也没有考虑误判所造成的损失差异。
【A.】√
【B.】×
先验概率是根据以往经验和分析得到的概率。
【A.】√
【B.】×
贝叶斯判别与距离判别的结果总是一样的。
【A.】√
【B.】×
每个样本都可以用它最接近的k个邻居来代表的算法是：（ ）
【A.】支持向量机
【B.】决策树
【C.】最近邻分类
【D.】线性判别
如图是某数据集训练集和测试集的KNN算法的训练精度和测试精度，从图中可以判断k值取（ ）最为合适。
【图片】
【A.】1
【B.】5
【C.】12
【D.】29
下列关于k近邻算法的k值，说法正确的是（ ）
【A.】随着k值的增加，模型的复杂程度减小，模型越稳健。
【B.】随着k值的增加，模型的复杂程度增加，模型越稳健。
【C.】随着k值的减少，模型的复杂程度增加，模型越稳健。
【D.】随着k值的减少，模型的复杂程度减少，模型越稳健。
下列哪一个方法适用于类域的交叉或重叠较多的待分样本集（ ）
【A.】决策树
【B.】随机森林
【C.】KNN算法
【D.】支持向量机
【A.】√
【B.】×
对每个样本，先计算判别函数得分，然后根据先验概率和判别函数得分的条件概率，计算出该样本被判为每一类的后验概率，被判入哪一类的后验概率最大，则把样本判为哪一类。该分类方法是（ ）
【A.】聚类判别
【B.】决策树
【C.】贝叶斯判别
【D.】线性判别
下列关于贝叶斯判别和线性判别，说法正确的是（ ）
【A.】贝叶斯判别考虑每个分类的观察值不同时，每类出现的机会是不同的。
【B.】贝叶斯判别与距离判别的结果总是一样的。
【C.】线性判别简单、直观且实用。
【D.】线性判别考虑了误判所造成的损失差异。
下列不是判别分析的方法（ ）。
【A.】距离判别
【B.】协方差阵判别
【C.】聚类判别
【D.】贝叶斯判别
下列关于贝叶斯判别和线性判别，说法错误的是（ ）。
【A.】贝叶斯判别考虑每个分类的观察值不同时，每类出现的机会是不同的。
【B.】贝叶斯判别与距离判别的结果总是一样的。
【C.】线性判别简单、直观且实用。
【D.】线性判别考虑了误判所造成的损失差异。
关于下面的贝叶斯判别结果说法正确的是（ ）。
Setosaversicolorvirginica01.000000e+005.048809e-171.869461e-2516.250263e-1712.635294e-029.736471e-0121.937522e-3152.179357e-121.000000e+0033.729519e-1169.868228e-011.317724e-0241.000000e+005.634438e-184.545093e-26
【A.】编号0的观测将被判为Setosa一类
【B.】编号4的观测将被判为Setosa一类
【C.】编号3的观测将被判为versicolor一类
【D.】编号1的观测将被判为versicolor一类
贝叶斯判别既没有考虑每个分类的观察值不同时，每类出现的机会是不同的，也没有考虑误判所造成的损失差异。
【A.】√
【B.】×
先验概率与后验概率一定不相同。
【A.】√
【B.】×
距离判别既没有考虑每个分类的观察值不同时，每类出现的机会是不同的，也没有考虑误判所造成的损失差异。
【A.】√
【B.】×
先验概率是根据以往经验和分析得到的概率。
【A.】√
【B.】×
贝叶斯判别与距离判别的结果总是一样的。
【A.】√
【B.】×
每个样本都可以用它最接近的k个邻居来代表的算法是：（ ）
【A.】支持向量机
【B.】决策树
【C.】最近邻分类
【D.】线性判别
如图是某数据集训练集和测试集的KNN算法的训练精度和测试精度，从图中可以判断k值取（ ）最为合适。
【图片】
【A.】1
【B.】5
【C.】12
【D.】29
下列关于k近邻算法的k值，说法正确的是（ ）
【A.】随着k值的增加，模型的复杂程度减小，模型越稳健。
【B.】随着k值的增加，模型的复杂程度增加，模型越稳健。
【C.】随着k值的减少，模型的复杂程度增加，模型越稳健。
【D.】随着k值的减少，模型的复杂程度减少，模型越稳健。
下列哪一个方法适用于类域的交叉或重叠较多的待分样本集（ ）
【A.】决策树
【B.】随机森林
【C.】KNN算法
【D.】支持向量机