首页
贝叶斯分类器与贝叶斯学习主要不同是：前者通过最大后验概率进行单点估计；而后者进行分布估计。
精华吧
→
答案
→
网课
贝叶斯分类器与贝叶斯学习主要不同是：前者通过最大后验概率进行单点估计；而后者进行分布估计。
正确答案：正确
Tag：
单点
概率
时间：2024-04-20 10:57:15
上一篇：
如果一个项集是频繁的，那么其所有的子集（subsets）也一定是频繁的。
下一篇：
实心圆轴，若半径增大一倍，则其抗扭强度增大为原来的（）倍
相关答案
1.
随机森林是利用多棵树对样本进行训练并预测的一种分类器，它是由多棵CART树构成的一种并行分类方法.
2.
数据规范化指将数据按比例缩放（如更换大单位），使之落入一个特定的区域（如0（）1）以提高数据挖掘效率的方法。规范化的常用方法有：最大（）最小规范化、零（）均值规范化、小数定标规范化。
3.
关于钢结构工程螺栓施工的做法，准确的是（）。
4.
如果一个对象不强属于任何簇，那么该对象是基于聚类的离群点。
5.
神经网络对噪音数据具有高承受能力，并能对未经过训练的数据具有分类能力，但其需要很长的训练时间，因而对于有足够长训练时间的应用更合适。
6.
通常情况下，数据分类由两步过程组成：第一步，建立一个聚类模型，描述指定的数据类集或概念集；第二步，使用模型进行分类。
7.
在有监督学习中，数据=（特征，标签），而其主要任务是聚类和回归。
8.
高斯混合模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，它是一个将事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。
9.
一般来说，如果数据集是稠密的，并且数据集不是凸的，那么用DBSCAN会比K（）Means聚类效果好.
10.
CART决策树使用Gini值作为评判标准.类别分布越均匀，则Gini值越大；类分布越不均匀，则Gini值越小.
热门答案
1.
如果一个项集是非频繁的，那么其所有的超集（supersets）也一定是非频繁的。
2.
一般来讲，模型误差=方差+偏差+不可避免的随机误差。
3.
AdaBoost算法将各个训练得到的弱分类器组合成强分类器.其中误差率高的弱分类器在最终分类器中占的权重较大，否则较小.
4.
聚类的过程可以看作是一种非监督的分类过程。
5.
数据分类方法通常有：决策树法、朴素贝叶斯法、人工神经网络法等。
6.
对于机器学习中学习（构建）的模型，模型误差=方差+偏差+不可避免的随机误差。
7.
Apriori算法中的一个先验原理可以表述为：如果一个项集是频繁的，那包含它的所有项集也是频繁的。
8.
一般模型越简单，学习能力越强，bias越小但variance越大。
9.
K均值是一种产生划分聚类的基于密度的聚类算法，簇的个数由算法自动地确定
10.
啤酒与尿布的经典案例，充分体现了历果关系在大数据分析理念中的重要性。