1-4 解析機器學習核心概念

發佈留言 / 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. 
測試數據集在總資料中的比例通常為：

2. 
驗證資料集在總資料中的比例通常為：

3. 
資料清理的主要目的是：

4. 
在進行特徵縮放時，最不適合使用Z-score標準化的情況是：

5. 
針對非結構化資料進行特徵工程時，最不適合的做法是：

6. 
資料分布一致性主要確保：

7. 
在進行模型驗證時，最不適合的交叉驗證方式是：

8. 
機器學習中的資料品質問題可能來自：

9. 
在進行時間序列預測時，下列哪種特徵工程方式最不恰當？

10. 
在建立推薦系統時，特徵工程最不需要考慮的因素是：

11. 
若某預測模型在訓練集表現極佳但在驗證集表現不佳，最可能的原因是：

12. 
在進行增量學習時，最不適合的特徵工程策略是：

13. 
在監督式學習中，標籤的主要功能是：

14. 
資料集代表性不足可能導致：

15. 
在處理高維稀疏資料時，最不適合的降維方法是：

16. 
下列何者不是資料代表性的考量要素：

17. 
在處理類別型特徵時，下列編碼方式何者最不適合用於序數型類別資料：

18. 
以下何者不是資料集分割時的注意事項：

19. 
資料分割時進行隨機化的主要目的是：

20. 
在處理時序預測問題時，最不適合的資料分割方式是：


error: Content is protected !!
返回頂端