你可能感興趣的試題

判斷題
DBSCAN算法不需要預(yù)先指定聚類數(shù)量，但對(duì)用戶設(shè)定的參數(shù)非常敏感。當(dāng)空間聚類的密度不均勻、聚類間距相差很大時(shí)，聚類質(zhì)量較差。
答案：正確
判斷題
DBSCAN（Density-Based Spatial Clustering of Applications with Noise）屬于密度聚類算法，把類定義為密度相連對(duì)象的最大集合，通過(guò)在樣本空間中不斷搜索高密度的核心樣本并擴(kuò)展得到最大集合完成聚類，能夠在帶有噪點(diǎn)的樣本空間中發(fā)現(xiàn)任意形狀的聚類并排除噪點(diǎn)。
答案：正確
判斷題
KNN算法是k-Nearest Neighbor的簡(jiǎn)稱，叫作k近鄰算法，屬于有監(jiān)督學(xué)習(xí)算法，既可以用于分類，也可以用于回歸。
答案：正確
判斷題
支持向量機(jī)（Support Vector Machine，SVM）是通過(guò)尋找超平面對(duì)樣本進(jìn)行分隔從而實(shí)現(xiàn)分類或預(yù)測(cè)的算法，分隔樣本時(shí)的原則是使得間隔最大化，尋找間隔最大的支持向量。
答案：正確
判斷題
使用樸素貝葉斯算法進(jìn)行分類時(shí)，分別計(jì)算未知樣本屬于每個(gè)已知類的概率，然后選擇其中概率最大的類作為分類結(jié)果。
答案：正確
判斷題
在機(jī)器學(xué)習(xí)擴(kuò)展庫(kù)sklearn中，Lasso是可以估計(jì)稀疏系數(shù)的線性模型，尤其適用于減少給定解決方案依賴的特征數(shù)量的場(chǎng)合。如果數(shù)據(jù)的特征過(guò)多，而其中只有一小部分是真正重要的，此時(shí)選擇Lasso比較合適。
答案：正確
判斷題
如果DataFrame對(duì)象中索引是日期時(shí)間數(shù)據(jù)，或者包含日期時(shí)間類型數(shù)據(jù)列，可以使用resample（）方法進(jìn)行重采樣，實(shí)現(xiàn)按時(shí)間段進(jìn)行統(tǒng)計(jì)查看員工業(yè)績(jī)的功能。
答案：正確
判斷題
擴(kuò)展庫(kù)pandas中DataFrame對(duì)象的drop_duplicates（）方法可以用來(lái)刪除重復(fù)的數(shù)據(jù)。
答案：正確
判斷題
使用擴(kuò)展庫(kù)pandas的函數(shù)read_excel（）讀取Excel文件時(shí)，可以使用參數(shù)na_values指定哪些值被解釋為缺失值。
答案：正確
判斷題
使用擴(kuò)展庫(kù)pandas的函數(shù)read_excel（）讀取Excel文件時(shí)，可以使用參數(shù)sheetname指定讀取哪個(gè)工作表中的數(shù)據(jù)，并且該參數(shù)必須指定為工作表的名字，不能是序號(hào)。
答案：錯(cuò)誤

首頁(yè)

題庫(kù)

網(wǎng)課

在線?？?/h3>

桌面端

在樣本的眾多特征中，并不是每個(gè)特征都對(duì)要分析的問(wèn)題有貢獻(xiàn)。即使是對(duì)問(wèn)題有貢獻(xiàn)的若干特征，每個(gè)特征的重要程度可能也不一樣。

你可能感興趣的試題

DBSCAN算法不需要預(yù)先指定聚類數(shù)量，但對(duì)用戶設(shè)定的參數(shù)非常敏感。當(dāng)空間聚類的密度不均勻、聚類間距相差很大時(shí)，聚類質(zhì)量較差。

KNN算法是k-Nearest Neighbor的簡(jiǎn)稱，叫作k近鄰算法，屬于有監(jiān)督學(xué)習(xí)算法，既可以用于分類，也可以用于回歸。

支持向量機(jī)（Support Vector Machine，SVM）是通過(guò)尋找超平面對(duì)樣本進(jìn)行分隔從而實(shí)現(xiàn)分類或預(yù)測(cè)的算法，分隔樣本時(shí)的原則是使得間隔最大化，尋找間隔最大的支持向量。

使用樸素貝葉斯算法進(jìn)行分類時(shí)，分別計(jì)算未知樣本屬于每個(gè)已知類的概率，然后選擇其中概率最大的類作為分類結(jié)果。

如果DataFrame對(duì)象中索引是日期時(shí)間數(shù)據(jù)，或者包含日期時(shí)間類型數(shù)據(jù)列，可以使用resample（）方法進(jìn)行重采樣，實(shí)現(xiàn)按時(shí)間段進(jìn)行統(tǒng)計(jì)查看員工業(yè)績(jī)的功能。

擴(kuò)展庫(kù)pandas中DataFrame對(duì)象的drop_duplicates（）方法可以用來(lái)刪除重復(fù)的數(shù)據(jù)。

使用擴(kuò)展庫(kù)pandas的函數(shù)read_excel（）讀取Excel文件時(shí)，可以使用參數(shù)na_values指定哪些值被解釋為缺失值。

使用擴(kuò)展庫(kù)pandas的函數(shù)read_excel（）讀取Excel文件時(shí)，可以使用參數(shù)sheetname指定讀取哪個(gè)工作表中的數(shù)據(jù)，并且該參數(shù)必須指定為工作表的名字，不能是序號(hào)。

在樣本的眾多特征中，并不是每個(gè)特征都對(duì)要分析的問(wèn)題有貢獻(xiàn)。即使是對(duì)問(wèn)題有貢獻(xiàn)的若干特征，每個(gè)特征的重要程度可能也不一樣。

你可能感興趣的試題

DBSCAN算法不需要預(yù)先指定聚類數(shù)量，但對(duì)用戶設(shè)定的參數(shù)非常敏感。當(dāng)空間聚類的密度不均勻、聚類間距相差很大時(shí)，聚類質(zhì)量較差。

KNN算法是k-Nearest Neighbor的簡(jiǎn)稱，叫作k近鄰算法，屬于有監(jiān)督學(xué)習(xí)算法，既可以用于分類，也可以用于回歸。

支持向量機(jī)（Support Vector Machine，SVM）是通過(guò)尋找超平面對(duì)樣本進(jìn)行分隔從而實(shí)現(xiàn)分類或預(yù)測(cè)的算法，分隔樣本時(shí)的原則是使得間隔最大化，尋找間隔最大的支持向量。

使用樸素貝葉斯算法進(jìn)行分類時(shí)，分別計(jì)算未知樣本屬于每個(gè)已知類的概率，然后選擇其中概率最大的類作為分類結(jié)果。

擴(kuò)展庫(kù)pandas中DataFrame對(duì)象的drop_duplicates（）方法可以用來(lái)刪除重復(fù)的數(shù)據(jù)。

使用擴(kuò)展庫(kù)pandas的函數(shù)read_excel（）讀取Excel文件時(shí)，可以使用參數(shù)na_values指定哪些值被解釋為缺失值。

使用擴(kuò)展庫(kù)pandas的函數(shù)read_excel（）讀取Excel文件時(shí)，可以使用參數(shù)sheetname指定讀取哪個(gè)工作表中的數(shù)據(jù)，并且該參數(shù)必須指定為工作表的名字，不能是序號(hào)。

在樣本的眾多特征中，并不是每個(gè)特征都對(duì)要分析的問(wèn)題有貢獻(xiàn)。即使是對(duì)問(wèn)題有貢獻(xiàn)的若干特征，每個(gè)特征的重要程度可能也不一樣。

DBSCAN算法不需要預(yù)先指定聚類數(shù)量，但對(duì)用戶設(shè)定的參數(shù)非常敏感。當(dāng)空間聚類的密度不均勻、聚類間距相差很大時(shí)，聚類質(zhì)量較差。

KNN算法是k-Nearest Neighbor的簡(jiǎn)稱，叫作k近鄰算法，屬于有監(jiān)督學(xué)習(xí)算法，既可以用于分類，也可以用于回歸。

支持向量機(jī)（Support Vector Machine，SVM）是通過(guò)尋找超平面對(duì)樣本進(jìn)行分隔從而實(shí)現(xiàn)分類或預(yù)測(cè)的算法，分隔樣本時(shí)的原則是使得間隔最大化，尋找間隔最大的支持向量。

使用樸素貝葉斯算法進(jìn)行分類時(shí)，分別計(jì)算未知樣本屬于每個(gè)已知類的概率，然后選擇其中概率最大的類作為分類結(jié)果。

擴(kuò)展庫(kù)pandas中DataFrame對(duì)象的drop_duplicates（）方法可以用來(lái)刪除重復(fù)的數(shù)據(jù)。

使用擴(kuò)展庫(kù)pandas的函數(shù)read_excel（）讀取Excel文件時(shí)，可以使用參數(shù)na_values指定哪些值被解釋為缺失值。

使用擴(kuò)展庫(kù)pandas的函數(shù)read_excel（）讀取Excel文件時(shí)，可以使用參數(shù)sheetname指定讀取哪個(gè)工作表中的數(shù)據(jù)，并且該參數(shù)必須指定為工作表的名字，不能是序號(hào)。