A.統(tǒng)計
B.計算機組成原理
C.礦產挖掘
D.人工智能
您可能感興趣的試卷
你可能感興趣的試題
A.分類
B.回歸
C.模式發(fā)現(xiàn)
D.模式匹配
A.決定要使用的表示的特征和結構
B.決定如何量化和比較不同表示擬合數(shù)據(jù)的好壞
C.選擇一個算法過程使評分函數(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現(xiàn)算法
A.模型
B.模式
C.模范
D.模具
A.JP聚類擅長處理噪聲和離群點，并且能夠處理不同大小、形狀和密度的簇
B.JP算法對高維數(shù)據(jù)效果良好，尤其擅長發(fā)現(xiàn)強相關對象的緊致簇
C.JP聚類是基于SNN相似度的概念
D.JP聚類的基本時間復雜度為O（m）
A.概率
B.鄰近度
C.密度
D.聚類
最新試題
假設屬性的數(shù)量固定，則可以在時間上以線性方式學習基于高斯的貝葉斯最優(yōu)分類器，而該數(shù)量是數(shù)據(jù)集中記錄的數(shù)量。
數(shù)據(jù)索引是保證數(shù)據(jù)處理高性能的軟件角度的一種手段，不做數(shù)據(jù)索引的數(shù)據(jù)訪問是線性訪問，但是做了索引的數(shù)據(jù)訪問會成倍的降低訪問時間。
最大似然估計的一個缺點是，在某些情況下（例如，多項式分布），它可能會返回零的概率估計。
任何對數(shù)據(jù)處理與存儲系統(tǒng)的操作均需要記錄，這符合數(shù)據(jù)安全的要求。
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，因為SVM通常能夠在訓練集上實現(xiàn)更好的分類精度。
任務調度系統(tǒng)的設計與實現(xiàn)才能使得數(shù)據(jù)收集工作可以不間斷地按照既定的目標從目標源獲取數(shù)據(jù)。
訓練神經網絡具有過度擬合訓練數(shù)據(jù)的潛在問題。
非結構化數(shù)據(jù)也可以使用關系型數(shù)據(jù)庫來存儲。
數(shù)據(jù)收集中的拉模式需要通過定時的方式不斷地觸發(fā)，才能源源不斷地獲取對應的數(shù)據(jù)。
使用偏差較小的模型總是比偏差較大的模型更好。