1、假定你用一个线性SVM分类器求解二类分类问题，如下图所示，这些用红色圆圈起来的点表示支持向量,如果移除这些圈起来的数据，决策边界（即分离超平面）是否会发生改变？
如果移除这些圈起来的数据，决策边界（即分离超平面）是否会发生改变？A Yes
B No
正确答案是： B
解析：
从数据的分布来看，移除那三个数据，决策边界不会受影响。2、如果将数据中除圈起来的三个点以外的其他数据全部移除，那么决策边界是否会改变？
A 会
B 不会
正确答案是： B
解析：
决策边界只会被支持向量影响，跟其他点无关。3、关于SVM泛化误差描述正确的是A 超平面与支持向量之间距离
B SVM对未知数据的预测能力
C SVM的误差阈值
正确答案是： B
解析：
统计学中的泛化误差是指对模型对未知数据的预测能力4、以下关于硬间隔hard margin描述正确的是A SVM允许分类存在微小误差
B SVM允许分类是有大量误差
正确答案是：A
解析：
硬间隔意味着SVM在分类时很严格，在训练集上表现尽可能好，有可能会造成过拟合。5、训练SVM的最小时间复杂度为O(n2)，那么一下哪种数据集不适合用SVM?A 大数据集
B 小数据集
C 中等大小数据集
D 和数据集大小无关
正确答案是：A
解析：
有明确分类边界的数据集最适合SVM6、SVM的效率依赖于A 核函数的选择
B 核参数
C 软间隔参数
D 以上所有
正确答案是：D
解析：
SVM的效率依赖于以上三个基本要求，它能够提高效率，降低误差和过拟合7、支持向量是那些最接近决策平面的数据点A 对
B 错
正确答案是：A
解析：
支持向量就在间隔边界上8、SVM在下列那种情况下表现糟糕A 线性可分数据
B 清洗过的数据
C 含噪声数据与重叠数据点
正确答案是：C
解析：
当数据中含有噪声数据与重叠的点时，要画出干净利落且无误分类的超平面很难9、假定你使用了一个很大γ值的RBF核，这意味着：A 模型将考虑使用远离超平面的点建模
B 模型仅使用接近超平面的点来建模
C 模型不会被点到超平面的距离所影响
D 以上都不正确
正确答案是： B
解析：
SVM调参中的γ衡量距离超平面远近的点的影响。
对于较小的γ，模型受到严格约束，会考虑训练集中的所有点，而没有真正获取到数据的模式、对于较大的γ，模型能很好地学习到模型。10、SVM中的代价参数表示：A 交叉验证的次数
B 使用的核
C 误分类与模型复杂性之间的平衡
D 以上均不是
正确答案是：C
解析：
代价参数决定着SVM能够在多大程度上适配训练数据。
如果你想要一个平稳的决策平面，代价会比较低；如果你要将更多的数据正确分类，代价会比较高。可以简单的理解为误分类的代价。
1、假定你使用SVM学习数据X，数据X里面有些点存在错误。现在如果你使用一个二次核函数，多项式阶数为2，使用松弛变量C作为超参之一。
当你使用较大的C（C趋于无穷），则：A 仍然能正确分类数据
B 不能正确分类
C 不确定
D 以上均不正确
正确答案是：A
解析：
采用更大的C，误分类点的惩罚就更大，因此决策边界将尽可能完美地分类数据。- 当C趋于无穷大时，这个问题也就是不允许出现分类误差的样本存在，那这就是一个hard-margin SVM问题（过拟合）
- 当C趋于0时，我们不再关注分类是否正确，只要求间隔越大越好，那么我们将无法得到有意义的解且算法不会收敛。（欠拟合）
2、假定你使用SVM学习数据X，数据X里面有些点存在错误。现在如果你使用一个二次核函数，多项式阶数为2，使用松弛变量C作为超参之一。
如果使用较小的C（C趋于0），则：A 误分类
B 正确分类
C 不确定
D 以上均不正确
正确答案是：A
解析：
分类器会最大化大多数点之间的间隔，少数点会误分类，因为惩罚太小了。
3、如果我使用数据集的全部特征并且能够达到100%的准确率，但在测试集上仅能达到70%左右，这说明：A 欠拟合
B 模型很棒
C 过拟合
正确答案是：C
解析：
如果在训练集上模型很轻易就能达到100%准确率，就要检查是否发生过拟合4、下面哪个属于SVM应用A 文本和超文本分类
B 图像分类
C 新文章聚类
D 以上均是
正确答案是：D
解析：
SVM广泛应用于实际问题中，包括回归，聚类，手写数字识别等。5、假设你训练SVM后，得到一个线性决策边界，你认为该模型欠拟合。在下次迭代训练模型时，应该考虑：A 增加训练数据
B 减少训练数据
C 计算更多变量
D 减少特征
正确答案是：C
解析：
由于是欠拟合，最好的选择是创造更多特征带入模型训练。6、假设你训练SVM后，得到一个线性决策边界，你认为该模型欠拟合。假如你想修改SVM的参数，同样达到模型不会欠拟合的效果，应该怎么做？A 增大参数C
B 减小参数C
C 改变C并不起作用
D 以上均不正确
正确答案是：A
解析：
增大参数C会得到正则化模型7、SVM中使用高斯核函数之前通常会进行特征归一化，以下关于特征归一化描述不正确的是？A 经过特征正则化得到的新特征优于旧特征
B 特征归一化无法处理类别变量
C SVM中使用高斯核函数时，特征归一化总是有用的
正确答案是：C
8、假设现在只有两个类，这种情况下SVM需要训练几次？A 1
B 2
C 3
D 4
正确答案是：A
解析：
两个类训练1次就可以了9、假设你训练了一个基于线性核的SVM，多项式阶数为2，在训练集和测试集上准确率都为100%。
如果增加模型复杂度或核函数的多项式阶数，将会发生什么？A 导致过拟合
B 导致欠拟合
C 无影响，因为模型已达100%准确率
D 以上均不正确
正确答案是：A
解析：
增加模型复杂度会导致过拟合10、想象一下，机器学习中有1000个输入特征和1个目标特征，必须根据输入特征和目标特征之间的关系选择100个最重要的特征。你认为这是减少维数的例子吗？A 是
B 不是
正确答案是：A
1、判断：没有必要有一个用于应用维数降低算法的目标变量。A 真
B 假
正确答案是：A
解析：
LDA是有监督降维算法的一个例子。2、在数据集中有4个变量，如A，B，C和D.执行了以下操作：
步骤1：使用上述变量创建另外两个变量，即E = A + 3 * B和F = B + 5 * C + D。
步骤2：然后只使用变量E和F建立了一个随机森林模型。
上述步骤可以表示降维方法吗？A 真
B 假
正确答案是：A
解析：
因为步骤1可以用于将数据表示为2个较低的维度。 3、以下哪种技术对于减少数据集的维度会更好？A 删除缺少值太多的列
B 删除数据差异较大的列
C 删除不同数据趋势的列
D 都不是
正确答案是：A
解析：
如果列的缺失值太多（例如99％），那么可以删除这些列4、判断：降维算法是减少构建模型所需计算时间的方法之一。A 真
B 假
正确答案是：A
解析：
降低数据维数将花费更少的时间来训练模型。5、以下哪种算法不能用于降低数据的维数？ A t-SNE
B PCA
C LDA
D 都不是
正确答案是：D
解析：
所有算法都是降维算法的例子。6、判断：PCA可用于在较小维度上投影和可视化数据。A 真
B 假
正确答案是：A
解析：
有时绘制较小维数据非常有用，可以使用前两个主要分量，然后使用散点图可视化数据。7、最常用的降维算法是PCA，以下哪项是关于PCA的？
1.PCA是一种无监督的方法
2.它搜索数据具有最大差异的方向
3.主成分的最大数量<=特征能数量
4.所有主成分彼此正交A 2、3和4
B 1、2和3
C 1、2和4
D 以上所有
正确答案是：D
8、假设使用维数降低作为预处理技术，使用PCA将数据减少到k维度。然后使用这些PCA预测作为特征，以下哪个声明是正确的？A 更高的“k”意味着更正则化
B 更高的“k”意味着较少的正则化
C 都不对
正确答案是： B
解析：
较高的k导致较少的平滑，因此能够保留更多的数据特征，从而减少正则化。
K越高。则意味着特征越大，特征越多，就有可能导致训练不充分，训练不充分就可能导致欠拟合，欠拟合自然就需要更少的正则化。
9、在相同的机器上运行并设置最小的计算能力，以下哪种情况下t-SNE比PCA降维效果更好？A 具有1百万项300个特征的数据集
B 具有100000项310个特征的数据集
C 具有10,000项8个特征的数据集
D 具有10,000项200个特征的数据集
正确答案是：C
解析：
t-SNE具有二次时空复杂度。
tsne的复杂度很高，所以不适合大规模的数据降维，样本数量和特征尽量少10、对于t-SNE代价函数，以下陈述中的哪一个正确？ A 本质上是不对称的
B 本质上是对称的
C 与SNE的代价函数相同
正确答案是： B
解析：
SNE代价函数是不对称的，这使得使用梯度下降难以收敛。对称是SNE和t-SNE代价函数之间的主要区别之一。1、想像正在处理文本数据，使用单词嵌入（Word2vec）表示使用的单词。在单词嵌入中，最终会有1000维。现在想减小这个高维数据的维度，这样相似的词应该在最邻近的空间中具有相似的含义。在这种情况下，您最有可能选择以下哪种算法？A t-SNE
B PCA
C LDA
D 都不是
正确答案是：A
解析：
t-SNE代表t分布随机相邻嵌入，它考虑最近的邻居来减少数据。
2、判断：t-SNE学习非参数映射。A 真
B 假
正确答案是：A
解析：
t-SNE学习非参数映射，这意味着它不会学习将数据从输入空间映射到地图的显式函数。3、以下对于t-SNE和PCA的陈述中哪个是正确的？A t-SNE是线性的，而PCA是非线性的
B t-SNE和PCA都是线性的
C t-SNE和PCA都是非线性的
D t-SNE是非线性的，而PCA是线性的
正确答案是：D
4、在t-SNE算法中，可以调整以下哪些超参数？A 维度数量
B 平稳测量有效数量的邻居
C 最大迭代次数
D 以上所有
正确答案是：D
5、与PCA相比，t-SNE的以下说明哪个正确？ A 数据巨大（大小）时，t-SNE可能无法产生更好的结果。
B 无论数据的大小如何，T-NSE总是产生更好的结果。
C 对于较小尺寸的数据，PCA总是比t-SNE更好。
D 都不是
正确答案是：A
6、Xi和Xj是较高维度表示中的两个不同点，其中Yi和Yj是较低维度中的Xi和Xj的表示。
1.数据点Xi与数据点Xj的相似度是条件概率p（j | i）。
2.数据点Yi与数据点Yj的相似度是条件概率q（j | i）。
对于在较低维度空间中的Xi和Xj的完美表示，以下哪一项必须是正确的？A p（j | i）= 0，q（j | i）= 1
B p（j | i）
C p（j | i）= q（j | i）
D P（j | i）> q（j | i）
正确答案是：C
解析：
两点的相似性的条件概率必须相等，因为点之间的相似性必须在高维和低维中保持不变，以使它们成为完美的表示7、对于投影数据为(( √2)，(0)，(√2))。现在如果在二维空间中重建，并将它们视为原始数据点的重建，那么重建误差是多少？A 0％
B 10％
C 30％
D 40％
正确答案是：A
解析：
重建误差为0，因为所有三个点完全位于第一个主要分量的方向上或者计算重建;8、LDA的以下哪项是正确的？
A LDA旨在最大化之间类别的距离，并最小化类内之间的距离
B LDA旨在最小化类别和类内之间的距离
C LDA旨在最大化类内之间的距离，并最小化类别之间的距离
D LDA旨在最大化类别和类内之间的距离
正确答案是：A
9、LDA的思想是找到最能区分两类别之间的线，下图中哪个是好的投影？
A LD1
B LD2
C 两者
D 都不是
正确答案是：A，
10、以下哪种情况LDA会失败？A 如果有辨识性的信息不是平均值，而是数据的方差
B 如果有辨识性的信息是平均值，而不是数据方差
C 如果有辨识性的信息是数据的均值和方差
D 都不是
正确答案是：A
1、PCA和LDA的以下比较哪些是正确的？ 1. LDA和PCA都是线性变换技术 2. LDA是有监督的，而PCA是无监督的 3. PCA最大化数据的方差，而LDA最大化不同类之间的分离
A 1和2
B 1和3
C 只有3
D 1、2和3
正确答案是：D
2、PCA是一种很好的技术，因为它很容易理解并通常用于数据降维。获得特征值λ1≥λ2≥•••≥λN并画图。 看看f(M)（贡献率）如何随着M而增加，并且在M = D处获得最大值1，给定两图：
上述哪个图表显示PCA的性能更好？其中M是主要分量，D是特征的总数。
A 左图
B 右图
正确答案是：A
解析：如果f（M）渐近线快速到达1，则PCA是好的；如果第一个特征值较大且其余较小，则会发生这种情况。如果所有特征值大致相等，PCA是坏的。
3、以下哪个选项是真的？
A LDA明确地尝试对数据类别之间的差异进行建模，而PCA没有。
B 两者都试图模拟数据类之间的差异。
C PCA明确地试图对数据类别之间的差异进行建模，而LDA没有。
D 两者都不试图模拟数据类之间的差异。
正确答案是：A
4、应用PCA后，以下哪项可以是前两个主成分？ 1.(0.5,0.5,0.5,0.5)和(0.71,0.71,0,0) 2. (0.5,0.5,0.5,0.5)和(0,0，-0.71,0.71) 3. (0.5,0.5,0.5,0.5)和(0.5,0.5,-0.5,-0.5) 4. (0.5,0.5,0.5,0.5)和(-0.5,-0.5,0.5,0.5)
A 1和2
B 1和3
C 2和4
D 3和4
正确答案是：D
解析：对于前两个选择，两个向量不是正交的
5、以下哪一项给出了逻辑回归与LDA之间的差异？ 1. 如果类别分离好，逻辑回归的参数估计可能不稳定。 2. 如果样本量小，并且每个类的特征分布是正常的。在这种情况下，线性判别分析比逻辑回归更稳定。
A 1
B 2
C 1和2
D 都不是
正确答案是：C
6、在PCA中会考虑以下哪个偏差？
A 垂直偏移
B 正交偏移
C两者
D 都不是
正确答案是： B
解析：总是将残差视为垂直偏移，正交偏移在PCA的情况下是有用的。
7、下面是三个散点图（A，B，C，从左到右）和和手绘的逻辑回归决策边界。 上图中哪一个显示了决策边界过度拟合训练数据？
A A
B B
C C
D 这些都没有
正确答案是：C
解析： 由于在图3中，决策边界不平滑，表明其过度拟合数据。
8、假设正在处理10类分类问题，并且想知道LDA最多可以产生几个判别向量。以下哪个是正确答案？
A 20
B 9
C 21
D 11
正确答案是： B
解析：LDA最多产生c-1个判别向量。
9、给定的数据集包括“胡佛塔”和其他一些塔的图像。现在要使用PCA（特征脸）和最近邻方法来构建一个分类器，可以预测新图像是否显示“胡佛塔”。该图给出了输入的训练图像样本 为了从“特征脸”算法获得合理的性能，这些图像将需要什么预处理步骤？ 1. 将塔对准图像中相同的位置。 2. 将所有图像缩放或裁剪为相同的大小。
A 1
B 2
C 1和2
D都不是
正确答案是：C
0、下图中主成分的最佳数量是多少？
A 7
B 30
C 40
D 不知道
正确答案是： B
解析：可以在上图中看到，主成分的数量为30时以最小的数量得到最大的方差。