对应课程:点击查看
起止时间:2021-02-25到2021-06-30
更新状态:每5天更新一次
第一讲 深度学习概述 第一讲测验
1、 机器学习（深度学习）系统中通常将数据集划分为训练集和测试集，其中被用来学习得到系统的参数取值的是
A:训练集(training set)
B:测试集(testing set)
C:训练集(training set)和测试集(testing set)
D:其它答案都不对
答案: 训练集(training set)
2、 k折交叉验证通常将数据集随机分为k个子集。下列关于k折交叉验证说法错误的是
A:每次将其中一个子集作为测试集，剩下k-1个子集作为训练集进行训练
B:每次将其中一个子集作为训练集，剩下k-1个子集作为测试集进行测试
C:划分时有多种方法，例如对非平衡数据可以用分层采样，就是在每一份子集中都保持和原始数据集相同的类别比例
D:k折交叉验证相对于留出法，其性能评价结果通常要相对更稳定一些
答案: 每次将其中一个子集作为训练集，剩下k-1个子集作为测试集进行测试
3、 ROC (受试者工作特征曲线, receiver operating characteristic curve)描绘了分类器在 fp rate (错误的正例,横轴) 和tp rate(真正正例，纵轴) 间的trade-off（权衡）。下面说法正确的是：
A:(纵轴)敏感性高=漏诊率低， 而(横轴)特异性低=误诊率高
B:(纵轴)敏感性高=漏诊率高， 而(横轴)特异性低=误诊率高
C: (纵轴)敏感性高=漏诊率高， 而(横轴)特异性低=误诊率低
D: (纵轴)敏感性高=漏诊率低， 而(横轴)特异性低=误诊率低
答案: (纵轴)敏感性高=漏诊率低， 而(横轴)特异性低=误诊率高
4、 关于 Cohen’ s kappa取值的含义，下列错误的是：
A:其取值通常在-1和+1之间
B:其取值为+1，说明一致性最好
C:其取值越大，说明一致性越好
D:其取值越小，说明一致性越好
答案: 其取值越小，说明一致性越好
5、 下列关于验证集(validation set)的描述错误的是
A:某些情况下，可以对训练集做进一步划分，即分为训练集和验证集
B:验证集与测试集类似，也是用于评估模型的性能。且可以用于报告模型的最终评价结果
C: 验证集与测试集之间的区别是，验证集主要用于模型选择和调整超参数，因而一般不用于报告最终结果
D:验证集的数据规模通常小于训练集的数据规模
答案: 验证集与测试集类似，也是用于评估模型的性能。且可以用于报告模型的最终评价结果
6、 下面关于机器学习与深度学习的描述错误的是：
A:深度学习是机器学习的重要分支
B:深度学习来源于人工神经网络
C:深度学习是多层的人工神经网络，典型的模型包括卷积神经网络等
D:其它答案都不对
答案: 其它答案都不对
7、 下面关于有监督学习、无监督学习的描述错误的是
A:有监督学习是从有正确答案的样本集合中学习，即每个样本的分类标签（classification label）或者目标值（target value）已知
B:无监督学习的训练学习过程中也利用到了每个样本的分类标签（classification label）或者目标值（target value）
C:有监督学习中样本的ground truth指的是每个样本的真实分类标签（classification label）或者真实目标值（target value）
D:为了获得有监督学习中样本的真实分类标签（classification label）或者真实目标值（target value），某些情况下，可以采用人工专家标注的方法获得
答案: 无监督学习的训练学习过程中也利用到了每个样本的分类标签（classification label）或者目标值（target value）
8、 假设测试数据集中共计有70个正类样本，30个负类样本。且某次分类结果如下表所示（表中各项的含义如表下方的注释所示）。则其ROC曲线的横轴FP Rate 和纵轴TP Rate 的坐标值是多少？ 实际类别预测类别 正例负例总计正例TP=40FN=30P(实际为正例)=70负例FP=10TN=20N(实际为负例)=30表中数据项的含义：True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
A:横轴FP Rate=0.57； 纵轴TP Rate=0.33
B:横轴FP Rate=0.33； 纵轴TP Rate=0.57
C:横轴FP Rate=0.57； 纵轴TP Rate=0.57
D:横轴FP Rate=0.80； 纵轴TP Rate=0.33
答案: 横轴FP Rate=0.33； 纵轴TP Rate=0.57
9、 下面的一段python程序是对iris数据集进行训练集合测试集的拆分，已知该数据集中样本的个数为150个，特征为4个。则下面的程序执行完毕后，print语句的输出结果应该为： from sklearn import cross_validation from sklearn import datasets iris = datasets.load_iris() X_train, X_test, y_train, y_test = cross_validation.train_test_split(iris.data, iris.target, test_size=0.2 )print (“X_train.shape:”, X_train.shape, “y_train.shape:”, y_train.shape)
A: (‘X_train.shape:’, (150, 4), ‘y_train.shape:’, (150,))
B: (‘X_train.shape:’, (90, 4), ‘y_train.shape:’, (90,))
C:(‘X_train.shape:’, (30, 4), ‘y_train.shape:’, (30,))
D: (‘X_train.shape:’, (120, 4), ‘y_train.shape:’, (120,))
答案: (‘X_train.shape:’, (120, 4), ‘y_train.shape:’, (120,))
10、 下面的一段python程序是使用支持向量机在iris数据集上进行训练的例子，且该程序已经导入了必要的模块（用省略号表示）。则程序中空格处应该填充的拟合函数是： ……iris = datasets.load_iris() X_train, X_test, y_train, y_test = cross_validation.train_test_split(iris.data, iris.target, test_size=0.2 )clf = svm.SVC(kernel=’linear’, C=1). (X_train, y_train)
A:train
B:fit
C:learn
D:ml
答案: fit
11、 下面的一段程序是标签二值化的示例程序，则最后的print语句的输出应该为：from sklearn.preprocessing import label_binarizey=[0, 1, 2]print (y)y = label_binarize(y, classes=[0, 1, 2])print (y)
A:[[0 0 1] [0 1 0] [1 0 0]]
B:[[1 0 0][1 0 0] [1 0 0]]
C:[[0 0 1] [0 0 1] [0 0 1]]
D:[[1 0 0] [0 1 0] [0 0 1]]
答案: [[1 0 0] [0 1 0] [0 0 1]]
12、 F值的定义为准确率和召回率的调和平均。如果二者（即准确率和召回率）同等重要，则为
A:F1
B:F2
C:F0.5
D:F3
答案: F1
13、 超参数和参数的区别。参数一般是模型需要根据训练数据可以自动学习出的变量。超参数一般就是根据经验确定预设的变量。下面哪些是超参数？
A:深度学习模型的权重，偏差
B:深度学习的学习速率、人工神经网络的层数
C:深度学习的迭代次数
D:深度学习的每层神经元的个数
答案: 深度学习的学习速率、人工神经网络的层数;
深度学习的迭代次数;
深度学习的每层神经元的个数
14、 关于ROC (受试者工作特征曲线, receiver operating characteristic curve)中AUC（Area Under Curve）说法正确的是
A:定义为ROC曲线下的面积
B:AUC值提供了分类器的一个整体数值。通常AUC越大，分类器更好
C:取值范围为[0,1]
D:其它答案都不对
答案: 定义为ROC曲线下的面积;
AUC值提供了分类器的一个整体数值。通常AUC越大，分类器更好;
取值范围为[0,1]
15、 关于 Cohen’ s kappa 和Fleiss’ kappa的区别：
A:Cohen’s kappa主要用于衡量两个评价者（ raters ）之间的一致性（agreement）
B:如果评价者多于2人时，可以考虑使用Fleiss’ kappa
C:二者没有本质区别，可以等价
D:其它答案都不对
答案: Cohen’s kappa主要用于衡量两个评价者（ raters ）之间的一致性（agreement）;
如果评价者多于2人时，可以考虑使用Fleiss’ kappa
16、 下面关于使用网格搜索进行超参数的调优的描述正确的是：
A:假设模型中有两个超参数(A, B)。则网格搜索的基本原理就是尝试各种可能的(A, B)对值，并找到其中最好的(A, B)对值
B:为了使用网格搜索进行超参数的调优，通常可以进行交叉验证的方式，并找出使交叉验证性能最高的超参数取值的组合
C:假设模型中某个超参数B的可能取值为连续的，如在区间[0-1]。由于B值为连续，通常进行离散化，如变为{0, 0.5, 1.0}
D:其它答案都不对
答案: 假设模型中有两个超参数(A, B)。则网格搜索的基本原理就是尝试各种可能的(A, B)对值，并找到其中最好的(A, B)对值;
为了使用网格搜索进行超参数的调优，通常可以进行交叉验证的方式，并找出使交叉验证性能最高的超参数取值的组合;
假设模型中某个超参数B的可能取值为连续的，如在区间[0-1]。由于B值为连续，通常进行离散化，如变为{0, 0.5, 1.0}
17、 下面关于分类（classification）和回归（regression）的区别和联系的描述正确的是：
A:分类的目的是预测出新样本的类型、种类或标签，即其输出值是离散的
B:分类和回归问题通常都是有监督学习的范畴
C:回归问题需要预测连续变量的数值：比如预测新产品的销量等
D:可以将回归的输出值通过设定阈值等方式进行离散化处理，从而用于分类
答案: 分类的目的是预测出新样本的类型、种类或标签，即其输出值是离散的;
分类和回归问题通常都是有监督学习的范畴;
回归问题需要预测连续变量的数值：比如预测新产品的销量等;
可以将回归的输出值通过设定阈值等方式进行离散化处理，从而用于分类
18、 下列关于scikit-learn的描述正确的是
A:scikit-learn包括许多知名的机器学习算法的实现，包括SVM等
B:scikit-learn封装了其他的Python库，如自然语言处理的NLTK库
C:scikit-learn内置了大量数据集，如iris数据集等
D:scikit-learn实现了多种分类的评估方法，如准确率、精确率、召回率等
答案: scikit-learn包括许多知名的机器学习算法的实现，包括SVM等;
scikit-learn封装了其他的Python库，如自然语言处理的NLTK库;
scikit-learn内置了大量数据集，如iris数据集等;
scikit-learn实现了多种分类的评估方法，如准确率、精确率、召回率等
19、 已知如下定义：True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。 则下面定义正确的是：
A:分类准确率 Accuracy=(TP+TN)/(P+N)
B:精确率 Precision=TP/(TP+FP)
C:召回率 Recall=TP/P
D:召回率 Recall=TN/P
答案: 分类准确率 Accuracy=(TP+TN)/(P+N);
精确率 Precision=TP/(TP+FP);
召回率 Recall=TP/P
20、 测试集(testing set)用于最终报告模型的评价结果，因此在训练阶段测试集中的数据一般可以出现在训练集中.
A:正确
B:错误
答案: 错误
21、 假设测试数据集中共计有70个正类样本，30个负类样本。且某次分类结果如下表所示（表中各项的含义如表下方的注释所示）。则分类的精确率是 （要求：用小数表示，且保留小数点后两位）？ 实际类别预测类别 正例负例总计正例TP=40FN=30P(实际为正例)=70负例FP=10TN=20N(实际为负例)=30表中数据项的含义：True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
答案: 0.80
22、 假设测试数据集中共计有70个正类样本，30个负类样本。且某次分类结果如下表所示（表中各项的含义如表下方的注释所示）。则分类的召回率是 （要求：用小数表示，且保留小数点后两位）。 实际类别预测类别 正例负例总计正例TP=40FN=30P(实际为正例)=70负例FP=10TN=20N(实际为负例)=30表中数据项的含义：True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
答案: 0.57
23、 下面的一段python程序是计算并输出y_true和y_pred之间的平均绝对误差，即MAE，则其中print语句的输出结果为 （要求：用小数表示，且保留小数点后两位）。 from sklearn.metrics import mean_absolute_errory_true = [3, -0.5, 2, 7]y_pred = [2.5, 0.0, 2, 9]print (mean_absolute_error(y_true, y_pred))
答案: 0.75
为了方便下次阅读，建议在浏览器添加书签收藏本网页
添加书签方法：
1.电脑按键盘的Ctrl键+D键即可收藏本网页
2.手机浏览器可以添加书签收藏本网页
获取更多MOOC答案，欢迎在浏览器访问我们的网站：http://mooc.mengmianren.com
注：请切换至英文输入法输入域名，如果没有成功进入网站，请输入完整域名：http://mooc.mengmianren.com/
我们的公众号
打开手机微信，扫一扫下方二维码，关注微信公众号：萌面人APP
本公众号可查看各种网课答案，还可免费查看大学教材答案
点击这里，可查看公众号功能介绍
一键领取淘宝，天猫，京东，拼多多无门槛优惠券，让您购物省省省，点击这里，了解详情
干饭人福利，饿了么红包每日领
