BAT機器學習面試1000題系列（181-185題）

181.基於二次準則函數的H-K演算法較之於感知器演算法的優點是（）?

A.計算量小

B.可以判別問題是否線性可分

C.其解完全適用於非線性可分的情況

D.其解的適應性更好

正確答案：BD

@劉炫320，本題題目及解析來源：http://blog.csdn.net/column/details/16442.html

HK演算法思想很樸實,就是在最小均方誤差準則下求得權矢量.

他相對於感知器演算法的優點在於,他適用於線性可分和非線性可分得情況,對於線性可分的情況,給出最優權矢量,對於非線性可分得情況,能夠判別出來,以退出迭代過程.

182.以下說法中正確的是（）？

A.SVM對雜訊(如來自其他分布的雜訊樣本)魯棒

B.在AdaBoost演算法中,所有被分錯的樣本的權重更新比例相同

C.Boosting和Bagging都是組合多個分類器投票的方法,二者都是根據單個分類器的正確率決定其權重

D.給定n個數據點,如果其中一半用於訓練,一般用於測試,則訓練誤差和測試誤差之間的差別會隨著n的增加而減少

正確答案：BD

@劉炫320，本題題目及解析來源：http://blog.csdn.net/column/details/16442.html

A、SVM對雜訊（如來自其他分布的雜訊樣本）魯棒

SVM本身對雜訊具有一定的魯棒性，但實驗證明，是當雜訊率低於一定水平的雜訊對SVM沒有太大影響，但隨著雜訊率的不斷增加，分類器的識別率會降低。

B、在AdaBoost演算法中所有被分錯的樣本的權重更新比例相同

AdaBoost演算法中不同的訓練集是通過調整每個樣本對應的權重來實現的。開始時，每個樣本對應的權重是相同的，即其中n為樣本個數，在此樣本分布下訓練出一弱分類器。對於分類錯誤的樣本，加大其對應的權重；而對於分類正確的樣本，降低其權重，這樣分錯的樣本就被凸顯出來，從而得到一個新的樣本分布。在新的樣本分布下，再次對樣本進行訓練，得到弱分類器。以此類推，將所有的弱分類器重疊加起來，得到強分類器。

C、Boost和Bagging都是組合多個分類器投票的方法，二者均是根據單個分類器的正確率決定其權重。

Bagging與Boosting的區別：

取樣方式不同。

Bagging採用均勻取樣，而Boosting根據錯誤率取樣。

Bagging的各個預測函數沒有權重，而Boosting是有權重的。

Bagging的各個預測函數可以並行生成，而Boosing的各個預測函數只能順序生成。

183.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（）：

A. 95

B. 96

C. 97

D. 98

正確答案：C

@劉炫320，本題題目及解析來源：http://blog.csdn.net/column/details/16442.html

首先我們應該知道卷積或者池化後大小的計算公式：

out_height=（(input_height - filter_height + padding_top+padding_bottom)/stride_height ）+1

out_width_=（(input_width - filter_width + padding_left+padding_right)/stride_width ）+1

其中，padding指的是向外擴展的邊緣大小，而stride則是步長，即每次移動的長度。

這樣一來就容易多了，首先長寬一般大，所以我們只需要計算一個維度即可，這樣，經過第一次卷積後的大小為: （200-5+2）/2+1，取99；經過第一次池化後的大小為：（99-3）/1+1 為97；經過第二次卷積後的大小為： （97-3+2）/1+1 為97

184.在spss的基礎分析模塊中，作用是「以行列表的形式揭示數據之間的關係」的是（ ）

A. 數據描述

B. 相關

C. 交叉表

D. 多重相應

正確答案：C

185.一監獄人臉識別准入系統用來識別待進入人員的身份，此系統一共包括識別4種不同的人員：獄警，小偷，送餐員，其他。下面哪種學習方法最適合此種應用需求：（）。

A. 二分類問題

B. 多分類問題

C. 層次聚類問題

D. k-中心點聚類問題

E. 回歸問題

F. 結構分析問題

正確答案：B

@劉炫320，本題題目及解析來源：http://blog.csdn.net/column/details/16442.html

二分類：每個分類器只能把樣本分為兩類。監獄裡的樣本分別為獄警、小偷、送餐員、其他。二分類肯 定行不通。瓦普尼克95年提出來基礎的支持向量機就是個二分類的分類器，這個分類器學習過 程就是解一個基於正負二分類推導而來的一個最優規劃問題（對偶問題），要解決多分類問題 就要用決策樹把二分類的分類器級聯，VC維的概念就是說的這事的複雜度。

層次聚類： 創建一個層次等級以分解給定的數據集。監獄裡的對象分別是獄警、小偷、送餐員、或者其 他，他們等級應該是平等的，所以不行。此方法分為自上而下（分解）和自下而上（合併）兩種操作方式。

K-中心點聚類：挑選實際對象來代表簇，每個簇使用一個代表對象。它是圍繞中心點劃分的一種規則，所以這裡並不合適。

回歸分析：處理變數之間具有相關性的一種統計方法，這裡的獄警、小偷、送餐員、其他之間並沒有什 么直接關係。

結構分析： 結構分析法是在統計分組的基礎上，計算各組成部分所佔比重，進而分析某一總體現象的內部結構特徵、總體的性質、總體內部結構依時間推移而表現出的變化規律性的統計方法。結構分析法的基本表現形式，就是計算結構指標。這裡也行不通。

多分類問題： 針對不同的屬性訓練幾個不同的弱分類器，然後將它們集成為一個強分類器。這裡獄警、 小偷、送餐員 以及他某某，分別根據他們的特點設定依據，然後進行區分識別。