A.在線性
B.對用戶的快速響應(yīng)
C.互操作性
D.多維分析
您可能感興趣的試卷
你可能感興趣的試題
A.粒度是指數(shù)據(jù)倉庫小數(shù)據(jù)單元的詳細(xì)程度和級別
B.數(shù)據(jù)越詳細(xì),粒度就越小,級別也就越高
C.數(shù)據(jù)綜合度越高,粒度也就越大,級別也就越高
D.粒度的具體劃分將直接影響數(shù)據(jù)倉庫中的數(shù)據(jù)量以及查詢質(zhì)量
A.基本元數(shù)據(jù)與數(shù)據(jù)源,數(shù)據(jù)倉庫,數(shù)據(jù)集市和應(yīng)用程序等結(jié)構(gòu)相關(guān)的信息
B.基本元數(shù)據(jù)包括與企業(yè)相關(guān)的管理方面的數(shù)據(jù)和信息
C.基本元數(shù)據(jù)包括日志文件和簡歷執(zhí)行處理的時(shí)序調(diào)度信息
D.基本元數(shù)據(jù)包括關(guān)于裝載和更新處理,分析處理以及管理方面的信息
A.數(shù)據(jù)倉庫隨時(shí)間的變化不斷增加新的數(shù)據(jù)內(nèi)容
B.捕捉到的新數(shù)據(jù)會(huì)覆蓋原來的快照
C.數(shù)據(jù)倉庫隨事件變化不斷刪去舊的數(shù)據(jù)內(nèi)容
D.數(shù)據(jù)倉庫中包含大量的綜合數(shù)據(jù),這些綜合數(shù)據(jù)會(huì)隨著時(shí)間的變化不斷地進(jìn)行重新綜合
A.探索性數(shù)據(jù)分析
B.建模描述
C.預(yù)測建模
D.尋找模式和規(guī)則
A.分類
B.聚類
C.關(guān)聯(lián)分析
D.隱馬爾可夫鏈
最新試題
數(shù)據(jù)索引就像給每條數(shù)據(jù)裝了個(gè)信箱。
當(dāng)MAP中使用的先驗(yàn)是參數(shù)空間上的統(tǒng)一先驗(yàn)時(shí),MAP估計(jì)等于ML估計(jì)。
由于分類是回歸的一種特殊情況,因此邏輯回歸是線性回歸的一種特殊情況。
使決策樹更深將確保更好的擬合度,但會(huì)降低魯棒性。
最大似然估計(jì)的一個(gè)缺點(diǎn)是,在某些情況下(例如,多項(xiàng)式分布),它可能會(huì)返回零的概率估計(jì)。
數(shù)據(jù)存儲體系中并不牽扯計(jì)算機(jī)網(wǎng)絡(luò)這一環(huán)節(jié)。
非結(jié)構(gòu)化數(shù)據(jù)也可以使用關(guān)系型數(shù)據(jù)庫來存儲。
通常,當(dāng)試圖從大量觀察中學(xué)習(xí)具有少量狀態(tài)的HMM時(shí),我們幾乎總是可以通過允許更多隱藏狀態(tài)來增加訓(xùn)練數(shù)據(jù)的可能性。
給定用于2類分類問題的線性可分離數(shù)據(jù)集,線性SVM優(yōu)于感知器,因?yàn)镾VM通常能夠在訓(xùn)練集上實(shí)現(xiàn)更好的分類精度。
支持向量機(jī)不適合大規(guī)模數(shù)據(jù)。