BAT機器學習面試1000題系列

76.以下哪些方法不可以直接來對文本分類？

A、Kmeans

B、決策樹

C、支持向量機

D、KNN正確答案: A分類不同於聚類。

@BlackEyes_SGC：A：Kmeans是聚類方法，典型的無監督學習方法。分類是監督學習方法，BCD都是常見的分類方法。

77.已知一組數據的協方差矩陣P,下面關於主分量說法錯誤的是()

A、主分量分析的最佳準則是對一組數據進行按一組正交基分解, 在只取相同數量分量的條件下,以均方誤差計算截尾誤差最小

B、在經主分量分解後,協方差矩陣成為對角矩陣

C、主分量分析就是K-L變換

D、主分量是通過求協方差矩陣的特徵值得到

正確答案: C

@BlackEyes_SGC：K-L變換與PCA變換是不同的概念，PCA的變換矩陣是協方差矩陣，K-L變換的變換矩陣可以有很多種（二階矩陣、協方差矩陣、總類內離散度矩陣等等）。當K-L變換矩陣為協方差矩陣時，等同於PCA。

78.kmeans的複雜度

時間複雜度：O(tKmn)，其中，t為迭代次數，K為簇的數目，m為記錄數，n為維數空間複雜度：O((m+K)n)，其中，K為簇的數目，m為記錄數，n為維數

79.關於logit 回歸和SVM 不正確的是（A）

A. Logit回歸本質上是一種根據樣本對權值進行極大似然估計的方法，而後驗概率正比於先驗概率和似然函數的乘積。logit僅僅是最大化似然函數，並沒有最大化後驗概率，更談不上最小化後驗概率。A錯誤

B. Logit回歸的輸出就是樣本屬於正類別的幾率，可以計算出概率，正確

C. SVM的目標是找到使得訓練數據儘可能分開且分類間隔最大的超平面，應該屬於結構風險最小化。

D. SVM可以通過正則化係數控制模型的複雜度，避免過擬合。

@BlackEyes_SGC：Logit回歸目標函數是最小化後驗概率，Logit回歸可以用於預測事件發生概率的大小，SVM目標是結構風險最小化，SVM可以有效避免模型過擬合。

80.輸入圖片大小為200×200，依次經過一層卷積（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一層卷積（kernel size 3×3，padding 1，stride 1）之後，輸出特徵圖大小為：

95

有好的見解或者面試題目歡迎在評論區留言，一起交流探討。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！

本站內容充實豐富，博大精深，小編精選每日熱門資訊，隨時更新，點擊「搶先收到最新資訊」瀏覽吧！

請您繼續閱讀更多來自 機器學習 的精彩文章: