如果需要训练的特征维度成千上万,在高维情形下出现的数据样本稀疏、距离计算困难。我们通过什么方法可以缓解这个问题()。
A.K均值算法
B.支持向量机
C.降维
D.以上答案都不正确
A.K均值算法
B.支持向量机
C.降维
D.以上答案都不正确
A.主成分分析
B.因子分析
C.独立主成分分析
D.SVM
A.PCA和LDA均是基于监督学习的降维方法
B.假设原始数据一共有K个类别,那么LDA所得数据的降维维度小于或等于K−1
C.LDA降维后所得到维度是与数据样本的类别个数K有关(与数据本身维度无关)
D.PCA对高维数据降维后的维数是与原始数据特征维度相关(与数据类别标签无关)
A.对训练集随机采样,在随机采样的数据上建立模型
B.尝试使用在线机器学习算法
C.使用PCA算法减少特征维度
A.使用前向特征选择方法
B.使用后向特征排除方法
C.我们先把所有特征都使用,去训练一个模型,得到测试集上的表现.然后我们去掉一个特征,再去训练,用交叉验证看看测试集上的表现.如果表现比原来还要好,我们可以去除这个特征
D.查看相关性表,去除相关性最高的一些特征
A.采用列表表示一维数据,不同数据类型的元素是可以的
B.JSON格式可以表示比二维数据还复杂的高维数据
C.二维数据可以看成是一维数据的组合形式
D.字典不可以表示二维以上的高维数据
A.维度表在创建时不需要指定表组,但是需要配置分区信息
B.维度表可以和除维度表组外的任意表组中的表关联
C.批量插入的表如果只有一级分区,每次导入数据是会覆盖掉已有数据
D.维度表组有且只有一个,用户可以修改表组属性,但是不能删除
A.数据组织存在维度,字典类型用于表示一维和二维数据
B.高维数据有键值对类型的数据构成,采用对象方式组织
C.二维数据采用表格方式组织,对应于数学中的矩阵
D.一维数据采用线性方式组织,对应于数学中的数组和集合等概念
A.在卷积神经网络中,采用平均池化可减小误差,适用于需要突出纹理等特征的场景中
B.ResNet通过增加恒等映射,增加参数从而减少模型优化的难度,实现性能提升
C.空间金字塔池化(SPP)通过把图像的卷积特征转化成相同维度的特征向量,使模型可以处理任意尺寸的图像
D.批规范化(batchnormalization)是在不引入新参数的情况下保证每一层网络的输入具有相同的分布
能力体系评估的维度包括
a) 运维企业的能力体系在运维项目中实施的符合度
b) 能力体系在项目中的实施效果
c) 运维企业的综合能力表现
d) 运维企业的组织整体能力等级