题目内容
（请给出正确答案）
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
如果结果不匹配，请 联系老师 获取答案
更多“我们想要训练一个ML模型，样本数量有100万个，特征维度是5…”相关的问题
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.机器视觉质检
B.厂区智能物流
C.无人智能巡检
D.生产现场监测
A.攻击者可能在模型中植入后门并实施高级攻击;由于AI模型的不可解释性，在模型中植入的恶意后门难以被检测
B.攻击者同样可以在判断阶段对要判断的样本加入少量噪音，刻意改变判断结果，影响AI模型推理能力
C.训练模型时的样本往往覆盖性不足，使得模型鲁棒性不强;模型面对恶意样本时，无法给出正确的判断结果
D.在用户提供训练数据的场景下，攻击者能够通过反复查询训练好的模型获得用户的隐私信息
本题利用401KSUBS.RAW中的数据。
(i) 计算样本中nettfa的平均值、标准差、最小值和最大值。
(ii) 检验假设平均nettfa不会因为401(k) 资格状况而有所不同， 使用双侧对立假设。估计差异的美元数量是多少？
(iii)根据计算机习题C7.9的第(ii)部分，e401k在一个简单回归模型中显然不是外生的，起码它随着收入和年龄而变化。以收入、年龄和e40lk作为解释变量估计nettfa的一个多元线性回归模型。收入和年龄应该以二次函数形式出现。现在，估计401(k)资格的美元效应是多少？
(iv) 在第(iii) 部分估计的模型中， 增加交互项e401k·(age-41) 和e401k·(age-41)2 。注意样本中的平均年龄约为41岁，所以在新模型中，e401k的系数是401(k)资格在平均年龄处的估计效应。哪个交互项显著？
(v)比较第(iii)和(iv)部分的估计值，401(k)资格在41岁处的估计效应差别大吗？请解释。
(vi) 现在， 从模型中去掉交互项， 但定义5个家庭规模虚拟变量：fsize l， j size2，f size 3， f size 4和f size 5。对有5个或5个以上成员的家庭， fsize 5等于1。在第(iii) 部分估计的模型中， 增加家庭规模虚拟变量， 记得选择一个基组。这些家庭虚拟变量在1%的显著性水平上显著吗？
(vii) 现在， 针对模型
在容许截距不同的情况下， 做5个家庭规模类别的邹至庄检验。约束残差平方和SSR， 从第(vi) 部分得到，因为那里回归假定了相同斜率。无约束残差平方和SSRUR=SSR1+SSR2 +…+SSR5 ， 其中SSRf是从仅用家庭规模f估计的方程中得到的残差平方和。你应该明白，无约束模型中有30个参数(5个截距和25个斜率)，而约束模型中有10个参数(5个截距和5个斜率)。因此，带检验的约束个数是q=20，而且无约束模型的df为9275-30=9245。
A.数据集合扩充
B.L1和L3正则化
C.提前停止训练
D.使用Dropout方法
