你对机器学习了解多少?

现在你听到了很多关于机器学习的事情。但它实际上是如何工作的呢?

做个小测验——只有10个问题——看看你对机器学习了解多少!

问题1

当你有一组输入数据并且知道可能的反应时，哪种机器学习算法会做出预测?

监督式学习
监管逻辑
无监督学习
深度学习

问题02

什么类型的机器学习算法在数据没有标记时发现模式?

数据的预言
无监督学习
监管逻辑
监督式学习

问题03

什么时候可以减少数据中的维度?

当数据来自传感器
当您使用Linux机器时
当数据集大于500gb时

当你有一大堆具有相似特征的特性时

问题04

分类模型做什么?

预测实数响应，如温度、日期或时间的变化

将数据分配到预定义类别

根据相似性将反应分组，以找到模式
将预测的数据分类与数据中的实际类标签进行比较

问题5

这些分类算法中哪一个最容易用于预测?

朴素贝叶斯

神经网络

逻辑回归
袋装决策树

问题06

超参数调优做什么?

优化参数以提高学习算法的性能
指定表示线性分类器的超平面
扩展模型的参数集以提高性能
使用参数调优到性能下降的程度

问题7

哪种特征选择技术使用收缩估计器来移除数据中的冗余特征?

逐步回归
连续的特征选择
附近的成分分析
正则化

08年的问题

什么是主成分分析?

一种特征选择技术，通过添加或删除特征来优化预测精度
一种用于降低数据维数的线性特征变换技术
一种将数据划分为相互排斥的簇的聚类技术
一种预测技术，识别出一组更好的参数
过度拟合

09年的问题

过度拟合是什么?

当一个预测模型是准确的，但运行时间太长
当模型学习不能被推广到更大的数据集的训练数据的细节时
当你把一个强大的深度学习算法应用到一个简单的机器学习问题上
当您执行超参数调优时，性能会下降

问题10

什么样的表将模型预测的分类与实际的类标签进行比较?

混乱的表
混淆矩阵
预测图
剩余的情节