A.分類(lèi)
B.回歸
C.模式發(fā)現(xiàn)
D.模式匹配
您可能感興趣的試卷
你可能感興趣的試題
A.決定要使用的表示的特征和結(jié)構(gòu)
B.決定如何量化和比較不同表示擬合數(shù)據(jù)的好壞
C.選擇一個(gè)算法過(guò)程使評(píng)分函數(shù)最優(yōu)
D.決定用什么樣的數(shù)據(jù)管理原則以高效地實(shí)現(xiàn)算法
A.模型
B.模式
C.模范
D.模具
A.JP聚類(lèi)擅長(zhǎng)處理噪聲和離群點(diǎn)，并且能夠處理不同大小、形狀和密度的簇
B.JP算法對(duì)高維數(shù)據(jù)效果良好，尤其擅長(zhǎng)發(fā)現(xiàn)強(qiáng)相關(guān)對(duì)象的緊致簇
C.JP聚類(lèi)是基于SNN相似度的概念
D.JP聚類(lèi)的基本時(shí)間復(fù)雜度為O（m）
A.概率
B.鄰近度
C.密度
D.聚類(lèi)
A.STING
B.WaveCluster
C.MAFIA
D.BIRCH
最新試題
通過(guò)統(tǒng)計(jì)學(xué)可以推測(cè)擲兩個(gè)撒子同時(shí)選中3點(diǎn)的幾率。
隨機(jī)梯度下降每次更新執(zhí)行的計(jì)算量少于批梯度下降。
由于決策樹(shù)學(xué)會(huì)了對(duì)離散值輸出而不是實(shí)值函數(shù)進(jìn)行分類(lèi)，因此它們不可能過(guò)度擬合。
當(dāng)數(shù)據(jù)集標(biāo)簽錯(cuò)誤的數(shù)據(jù)點(diǎn)時(shí)，隨機(jī)森林通常比AdaBoost更好。
給定用于2類(lèi)分類(lèi)問(wèn)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(lèi)精度。
要將工作申請(qǐng)分為兩類(lèi)，并使用密度估計(jì)來(lái)檢測(cè)離職申請(qǐng)人，我們可以使用生成分類(lèi)器。
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(guò)允許更多隱藏狀態(tài)來(lái)增加訓(xùn)練數(shù)據(jù)的可能性。
由于分類(lèi)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。
經(jīng)常跟管理層打交道并進(jìn)行有效地關(guān)于商業(yè)領(lǐng)域的討論有助于數(shù)據(jù)科學(xué)項(xiàng)目的成功。
無(wú)論質(zhì)心的初始化如何，K-Means始終會(huì)給出相同的結(jié)果。