超星Python机器学习应用章节答案(学习通2023题目答案)

点击查看答案

【第一周】机器学习之无监督学习

无监督学习课程测验

1、超星以下距离度量方法中，机器要对样本点的学习学习各个属性进行标准化的是：
A、马氏距离
B、应用欧氏距离
C、章节曼哈顿距离
D、答案夹角余弦

2、通题以下不属于无监督学习的目答算法是：
A、KMeans
B、超星PCA
C、机器DBSCAN
D、学习学习KNN

3、应用无监督学习的章节两大主要任务分别是：
A、聚类
B、答案回归
C、通题降维
D、分类

4、关于DBSCAN算法，以下说法正确的是：
A、在DBSCAN算法中，将点分类核心点、边界点和噪音点三类
B、DBSCAN算法，需要指定聚类后簇的个数
C、DBSCAN算法是一种基于划分的聚类算法
D、DBSCAN算法是一种基于密度的聚类算法

5、以下属于聚类算法的是：
A、KMeans
B、NMF
C、PCA
D、DBSCAN

6、from sklearn.decomposition import PCA data = load_iris() y = data.target X = data.data pca = __________ reduced_X = pca.fit_transform(X) 在空白处添加代码，创建一个能够获得两个主成分的PCA对象。

7、data = loadData() km = KMeans(n_clusters=3) label = km._______(data) 在空白处补充一个函数，用于获取data中每一条数据的聚类标签。

8、假设有如下八个点：（3,1）（3,2）（4,1）（4,2）（1,3）（1,4）（2,3）（2,4），使用KMeans算法对其进行聚类。假设初始聚类中心点分别为（0,4）和（3,3），则最终的聚类中为（____,____）和（____,____）。 注：答案数字以逗号分隔，如1.2,3.5,4.3,5.6

9、from ________ import load_boston data, target = load_boston(return_X_y=True) print(data.shape) print(target.shape) 补充以上加载数据集的模块名称。

10、余弦相似度用向量空间中两个向量夹角的的余弦值衡量两个样本的差异的大小。其计算方法如下： 现在有（1,2,3）和（2,3,1）两个向量，请计算它们的余弦相似度（保留两位小数）。

【第二周】机器学习之有监督学习

监督学习课程测验

1、假设，我们有如下分成三类的数据，使用KNN算法（k=4），计算点（6,5）所属的类别应是（欧式距离）：
A、类别2
B、类别1
C、类别3
D、不确定

2、以下说法正确的是：
A、神经网络可以用于多分类问题
B、决策树只能用于二分类问题
C、监督学习与无监督学习的主要区别是，监督学习的训练样本无标签
D、分类任务的评价指标精确率和准确率是同一个概念

3、以下属于监督学习任务的有：
A、分类
B、回归
C、聚类
D、降维

4、目前，某公司根据求职人员的基本信息构造了一颗决策树（如下），现有某求职人员，基本信息为{ 四级成绩=未通过，语言基础=熟悉，网络编程=精通，Linux基础=熟悉}，根据决策树判断，该人员会被拒绝，对吗？

5、在使用神经网络对手写数字进行识别时，若输入为28*28大小的数字矩阵，输出对应于0-9的数字类别，则输入神经元应是____个，输出神经元是____个（答案形式：123,12）。

6、假设通过大量数据分析，获得了房屋面积和价格之间的线性关系如下：y=0.15*x+44 那么，当房屋面积为3600的时候，其价格大约是_____。

7、假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本，分类算法查找出50个，其中只有40个真正的正样本，则其召回率是多少（保留两位小数）？

8、import numpy as np #导入numpy工具包 from os import listdir #使用listdir模块，用于访问本地文件 from _________ import MLPClassifier clf = MLPClassifier(hidden_layer_sizes=(100,), activation='logistic', solver='adam', learning_rate_init = 0.0001, max_iter=2000) 补全以上代码。

9、import numpy as np #导入numpy工具包 from os import listdir #使用listdir模块，用于访问本地文件 from sklearn import neighbors knn = neighbors.KNeighborsClassifier(algorithm='kd_tree', __________) 补全代码，创建k为3的KNN分类器。

10、import matplotlib.pyplot as plt import numpy as np from sklearn import linear_model linear = linear_model._______() 补全代码，创建线性回归模型。

学习通Python机器学习应用

Python是一种高级编程语言，它被广泛用于机器学习和数据分析。学习通Python机器学习应用可以帮助你掌握Python编程语言和机器学习的基础知识，从而构建高效的数据分析和机器学习模型。

为什么学习Python机器学习应用？

Python是一种功能强大的编程语言，它具有丰富的库和模块，可以使用它们来快速构建机器学习模型。学习Python机器学习应用可以帮助你：

• 掌握Python编程语言和相关的库和模块
• 了解机器学习算法和技术
• 构建高效的数据分析和机器学习模型
• 实现自动化决策和预测

如何学习Python机器学习应用？

学习Python机器学习应用需要以下步骤：

1. 学习Python编程语言和相关的库和模块，如NumPy、SciPy、Pandas和Matplotlib。
2. 了解机器学习算法和技术，如回归、分类、聚类和深度学习。
3. 掌握机器学习的基本流程，包括数据预处理、特征工程、模型选择和评估。
4. 使用Python库和模块构建机器学习模型，如Scikit-learn、TensorFlow和Keras。
5. 优化和调整机器学习模型，以使其具有最佳性能。

学习Python编程语言

Python是一种易于学习和使用的编程语言，它具有简洁的语法和丰富的库和模块。学习Python编程语言需要掌握以下内容：

• Python语法和基本语句
• Python数据类型和数据结构
• Python函数和模块
• Python文件读写和异常处理

学习Python库和模块

Python具有丰富的库和模块，可以用于数据处理、机器学习和可视化。学习Python库和模块需要掌握以下内容：

• NumPy：用于科学计算和向量化操作的库
• SciPy：用于科学计算和数值优化的库
• Pandas：用于数据处理和清洗的库
• Matplotlib：用于数据可视化的库
• Scikit-learn：用于机器学习和模型选择的库
• TensorFlow：用于深度学习和神经网络的库
• Keras：用于快速构建神经网络的库

了解机器学习算法和技术

机器学习是一种能够让计算机通过学习数据来自主地完成任务的技术。学习机器学习算法和技术需要掌握以下内容：

• 回归算法：用于预测连续值的算法，如线性回归和多项式回归。
• 分类算法：用于预测离散值的算法，如逻辑回归和决策树。
• 聚类算法：用于将数据分组成多个类别的算法，如K-means聚类和层次聚类。
• 深度学习算法：一种能够模拟人脑神经网络结构的算法，如卷积神经网络和循环神经网络。

构建机器学习模型

使用Python库和模块构建机器学习模型需要掌握以下步骤：

1. 数据预处理：对原始数据进行清洗、去重、填充和缩放等处理。
2. 特征工程：从原始数据中提取有用的特征，以便更好地预测目标变量。
3. 模型选择和训练：选择最适合任务的算法，使用训练数据集对模型进行训练。
4. 模型评估：使用测试数据集对模型进行评估，并调整模型参数以改善性能。
5. 模型部署：将训练好的模型部署到生产环境中。

优化和调整机器学习模型

优化和调整机器学习模型需要掌握以下技术：

• 网格搜索：尝试不同的超参数组合以优化模型性能。
• 交叉验证：使用交叉验证技术进行模型选择和评估。
• 集成学习：将多个模型组合成一个更强的模型以提高性能。
• 模型可解释性：了解模型预测的原理和机制。

总结

学习Python机器学习应用可以帮助你掌握Python编程语言和机器学习的基础知识，从而构建高效的数据分析和机器学习模型。学习Python编程语言、库和模块、机器学习算法和技术、构建机器学习模型以及优化和调整机器学习模型是学习Python机器学习应用的关键步骤。

学习通Python机器学习应用

Python是一种高级编程语言，它被广泛用于机器学习和数据分析。学习通Python机器学习应用可以帮助你掌握Python编程语言和机器学习的基础知识，从而构建高效的数据分析和机器学习模型。

为什么学习Python机器学习应用？

Python是一种功能强大的编程语言，它具有丰富的库和模块，可以使用它们来快速构建机器学习模型。学习Python机器学习应用可以帮助你：

• 掌握Python编程语言和相关的库和模块
• 了解机器学习算法和技术
• 构建高效的数据分析和机器学习模型
• 实现自动化决策和预测

如何学习Python机器学习应用？

学习Python机器学习应用需要以下步骤：

1. 学习Python编程语言和相关的库和模块，如NumPy、SciPy、Pandas和Matplotlib。
2. 了解机器学习算法和技术，如回归、分类、聚类和深度学习。
3. 掌握机器学习的基本流程，包括数据预处理、特征工程、模型选择和评估。
4. 使用Python库和模块构建机器学习模型，如Scikit-learn、TensorFlow和Keras。
5. 优化和调整机器学习模型，以使其具有最佳性能。

学习Python编程语言

Python是一种易于学习和使用的编程语言，它具有简洁的语法和丰富的库和模块。学习Python编程语言需要掌握以下内容：

• Python语法和基本语句
• Python数据类型和数据结构
• Python函数和模块
• Python文件读写和异常处理

学习Python库和模块

Python具有丰富的库和模块，可以用于数据处理、机器学习和可视化。学习Python库和模块需要掌握以下内容：

• NumPy：用于科学计算和向量化操作的库
• SciPy：用于科学计算和数值优化的库
• Pandas：用于数据处理和清洗的库
• Matplotlib：用于数据可视化的库
• Scikit-learn：用于机器学习和模型选择的库
• TensorFlow：用于深度学习和神经网络的库
• Keras：用于快速构建神经网络的库

了解机器学习算法和技术

机器学习是一种能够让计算机通过学习数据来自主地完成任务的技术。学习机器学习算法和技术需要掌握以下内容：

• 回归算法：用于预测连续值的算法，如线性回归和多项式回归。
• 分类算法：用于预测离散值的算法，如逻辑回归和决策树。
• 聚类算法：用于将数据分组成多个类别的算法，如K-means聚类和层次聚类。
• 深度学习算法：一种能够模拟人脑神经网络结构的算法，如卷积神经网络和循环神经网络。

构建机器学习模型

使用Python库和模块构建机器学习模型需要掌握以下步骤：

1. 数据预处理：对原始数据进行清洗、去重、填充和缩放等处理。
2. 特征工程：从原始数据中提取有用的特征，以便更好地预测目标变量。
3. 模型选择和训练：选择最适合任务的算法，使用训练数据集对模型进行训练。
4. 模型评估：使用测试数据集对模型进行评估，并调整模型参数以改善性能。
5. 模型部署：将训练好的模型部署到生产环境中。

优化和调整机器学习模型

优化和调整机器学习模型需要掌握以下技术：

• 网格搜索：尝试不同的超参数组合以优化模型性能。
• 交叉验证：使用交叉验证技术进行模型选择和评估。
• 集成学习：将多个模型组合成一个更强的模型以提高性能。
• 模型可解释性：了解模型预测的原理和机制。

总结

学习Python机器学习应用可以帮助你掌握Python编程语言和机器学习的基础知识，从而构建高效的数据分析和机器学习模型。学习Python编程语言、库和模块、机器学习算法和技术、构建机器学习模型以及优化和调整机器学习模型是学习Python机器学习应用的关键步骤。