BAT题库 | 机器学习面试1000题系列（第191~195题）

会员服务 ·

BAT题库 | 机器学习面试1000题系列（第191~195题）

2017 年 11 月 15 日 七月在线实验室

上期思考题及参考解析

190.SPSS中，数据整理的功能主要集中在（）等菜单中

　　A.数据

　　B.直销

　　C.分析

　　D.转换

　　正确答案：AD

　　@刘炫320，本题题目及解析来源：http://blog.csdn.net/column/details/16442.html

　　解析：对数据的整理主要在数据和转换功能菜单中。

分割线

191.深度学习是当前很热门的机器学习算法，在深度学习中，涉及到大量的矩阵相乘，现在需要计算三个稠密矩阵A,B,C的乘积ABC,假设三个矩阵的尺寸分别为m∗n，n∗p，p∗q，且m<n<p<q，以下计算顺序效率最高的是（）

　　A.(AB)C

　　B.AC(B)

　　C.A(BC)

　　D.所以效率都相同

　　正确答案：A

　　@刘炫320，本题题目及解析来源：http://blog.csdn.net/column/details/16442.html

　　首先，根据简单的矩阵知识，因为 A*B ， A 的列数必须和 B 的行数相等。因此，可以排除 B 选项，

　　然后，再看 A 、 C 选项。在 A 选项中，m∗n 的矩阵 A 和n∗p的矩阵 B 的乘积，得到 m∗p的矩阵 A*B ，而 A∗B的每个元素需要 n 次乘法和 n-1 次加法，忽略加法，共需要 m∗n∗p次乘法运算。同样情况分析 A*B 之后再乘以 C 时的情况，共需要 m∗p∗q次乘法运算。因此， A 选项 (AB)C 需要的乘法次数是 m∗n∗p+m∗p∗q 。同理分析， C 选项 A (BC) 需要的乘法次数是 n∗p∗q+m∗n∗q。

　　由于m∗n∗p<m∗n∗q，m∗p∗q<n∗p∗q，显然 A 运算次数更少，故选 A 。

192.Nave Bayes是一种特殊的Bayes分类器,特征变量是X,类别标签是C,它的一个假定是:()

　　A.各类别的先验概率P(C)是相等的

　　B.以0为均值，sqr(2)/2为标准差的正态分布

　　C.特征变量X的各个维度是类别条件独立随机变量

　　D.P(X|C)是高斯分布

　　正确答案：C

　　@刘炫320，本题题目及解析来源：http://blog.csdn.net/column/details/16442.html

　　朴素贝叶斯的条件就是每个变量相互独立。

193.关于支持向量机SVM,下列说法错误的是（）

　　A.L2正则项，作用是最大化分类间隔，使得分类器拥有更强的泛化能力

　　B.Hinge 损失函数，作用是最小化经验分类错误

　　C.分类间隔为1/||w||，||w||代表向量的模

　　D.当参数C越小时，分类间隔越大，分类错误越多，趋于欠学习

　　正确答案：C

　　@刘炫320，本题题目及解析来源：http://blog.csdn.net/column/details/16442.html

　　A正确。考虑加入正则化项的原因：想象一个完美的数据集，y>1是正类，y<-1是负类，决策面y=0，加入一个y=-30的正类噪声样本，那么决策面将会变“歪”很多，分类间隔变小，泛化能力减小。加入正则项之后，对噪声样本的容错能力增强，前面提到的例子里面，决策面就会没那么“歪”了，使得分类间隔变大，提高了泛化能力。

　　B正确。

　　C错误。间隔应该是2/||w||才对，后半句应该没错，向量的模通常指的就是其二范数。

　　D正确。考虑软间隔的时候，C对优化问题的影响就在于把a的范围从[0，+inf]限制到了[0,C]。C越小，那么a就会越小，目标函数拉格朗日函数导数为0可以求出w=求和ai∗yi∗xi，a变小使得w变小，因此间隔2/||w||变大

194.在HMM中,如果已知观察序列和产生观察序列的状态序列,那么可用以下哪种方法直接进行参数估计()

　　A.EM算法

　　B.维特比算法

　　C.前向后向算法

　　D.极大似然估计

　　正确答案：D

　　@刘炫320，本题题目及解析来源：http://blog.csdn.net/column/details/16442.html

　　EM算法：只有观测序列，无状态序列时来学习模型参数，即Baum-Welch算法

　　维特比算法：用动态规划解决HMM的预测问题，不是参数估计