1-4 解析機器學習核心概念

作者: /

1-4 解析機器學習核心概念模擬測驗，採智能選題，無限次反覆練習。

1. 
在處理序列資料時，最不適合的特徵工程方式是：

2. 
在進行增量學習時，最不適合的特徵工程策略是：

3. 
在進行特徵選擇時，遞歸特徵消除法（RFE）的主要缺點是：

4. 
以下何者不是資料集分割時的注意事項：

5. 
下列何者不是特徵工程的目標：

6. 
在處理音訊資料時，最不適合的特徵提取方式是：

7. 
在處理多模態資料時，最不適合的特徵融合方式是：

8. 
在監督式學習中，特徵與標籤的關係是：

9. 
資料集分割的主要目的是：

10. 
在進行模型驗證時，最不適合的交叉驗證方式是：

11. 
在特徵選擇中使用正則化方法時，最不適合的情況是：

12. 
下列何者不是好的特徵選擇原則：

13. 
資料收集過程中的偏見主要來自：

14. 
在進行特徵工程時，最不需要考慮的因素是：

15. 
在處理稀疏特徵時，最不適合的處理方式是：

16. 
在處理多標籤分類問題時，最不適合的特徵工程方式是：

17. 
在監督式學習中，標籤的主要功能是：

18. 
在處理高基數類別特徵時，最不適合的編碼方式是：

19. 
好的特徵應具備的效果不包括：

20. 
在特徵工程中使用主成分分析（PCA）時，最大的風險是：


error: Content is protected !!
返回頂端