BAT机器学习面试1000题（486~490题）

会员服务 ·

BAT机器学习面试1000题（486~490题）

2018 年 9 月 28 日 七月在线实验室

点击上方 ⬆ 蓝字关注七月在线实验室

BAT机器学习面试1000题（486~490题）

486题

位势函数法的积累势函数K(x)的作用相当于Bayes判决中的（）

A、后验概率

B、先验概率

C、类概率密度

D、类概率密度与先验概率的和

点击下方空白区域查看答案
▼

正确答案是：A

解析：

具体的，势函数详解请看——《势函数法》。

来源：@刘炫320，链接：http://blog.csdn.net/column/details/16442.html

487题

隐马尔可夫模型三个基本问题以及相应的算法说法错误的是（）

A、评估—前向后向算法

B、解码—维特比算法

C、学习—Baum-Welch算法

D、学习—前向后向算法

点击下方空白区域查看答案
▼

正确答案是：D

解析：

评估问题，可以使用前向算法、后向算法、前向后向算法。

488题

在其他条件不变的前提下，以下哪种做法容易引起机器学习中的过拟合问题？

A、增加训练集量

B、减少神经网络隐藏层节点数

C、删除稀疏的特征

D、SVM算法中使用高斯核/RBF核代替线性核

点击下方空白区域查看答案
▼

正确答案是：D

解析：

一般情况下，越复杂的系统，过拟合的可能性就越高，一般模型相对简单的话泛化能力会更好一点。

B.一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向， svm高斯核函数比线性核函数模型更复杂，容易过拟合

D.径向基(RBF)核函数/高斯核函数的说明,这个核函数可以将原始空间映射到无穷维空间。对于参数，如果选的很大，高次特征上的权重实际上衰减得非常快，实际上（数值上近似一下）相当于一个低维的子空间；反过来，如果选得很小，则可以将任意的数据映射为线性可分——当然，这并不一定是好事，因为随之而来的可能是非常严重的过拟合问题。不过，总的来说，通过调整参数，高斯核实际上具有相当高的灵活性，也是使用最广泛的核函数之一。

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

489题

下列时间序列模型中,哪一个模型可以较好地拟合波动性的分析和预测。

A、AR模型

B、MA模型

C、ARMA模型

D、GARCH模型

点击下方空白区域查看答案
▼

正确答案是：D

解析：

AR模型是一种线性预测，即已知N个数据，可由模型推出第N点前面或后面的数据（设推出P点），所以其本质类似于插值。

MA模型(moving average model)滑动平均模型，其中使用趋势移动平均法建立直线趋势的预测模型。

ARMA模型(auto regressive moving average model)自回归滑动平均模型，模型参量法高分辨率谱分析方法之一。这种方法是研究平稳随机过程有理谱的典型方法。它比AR模型法与MA模型法有较精确的谱估计及较优良的谱分辨率性能，但其参数估算比较繁琐。

GARCH模型称为广义ARCH模型，是ARCH模型的拓展，由Bollerslev(1986)发展起来的。它是ARCH模型的推广。GARCH(p,0)模型，相当于ARCH(p)模型。GARCH模型是一个专门针对金融数据所量体订做的回归模型，除去和普通回归模型相同的之处，GARCH对误差的方差进行了进一步的建模。特别适用于波动性的分析和预测，这样的分析对投资者的决策能起到非常重要的指导性作用，其意义很多时候超过了对数值本身的分析和预测。

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