阿摩線上測驗
登入
首頁
>
iPAS◆資料處理與分析概論◆初級
>
109年 - 109 初級巨量資料分析師能力鑑定試題:資料處理與分析概論#119176
> 試題詳解
42. 下列何種演算法較「不適合」進行分類預測?
(A) 決策樹(Decision Tree)
(B) 線性迴歸(Linear Regression)
(C) 羅吉斯迴歸(Logistic Regression)
(D) K-近鄰演算法(K-Nearest Neighbor)
答案:
登入後查看
統計:
A(0), B(8), C(1), D(0), E(0) #3219176
詳解 (共 1 筆)
MoAI - 您的AI助手
B1 · 2025/10/26
#6971430
1. 題目解析 這道題目要求我們選擇一種...
(共 910 字,隱藏中)
前往觀看
0
0
相關試題
43. 請問若只需輸入大學生的身高和體重來預測其腰圍,使用何種演算法 較為合適? (A) 簡單線性迴歸 (B) 多元線性迴歸 (C) 羅吉斯迴歸 (D) 關聯規則
#3219177
44. 迴歸問題和分類問題都屬於監督式學習,關於兩者的反應變數,下列 敘述何者正確? (A) 前者是類別型反應變數,後者是數值型反應變數 (B) 前者是數值型反應變數,後者是類別型反應變數 (C) 兩者都是數值型反應變數 (D) 兩者都是類別型反應變數
#3219178
45. 在進行機器學習時,下列何者「不是」避免過度配適(overfitting)的方法? (A) 減少資料量 (B) 減少模型參數 (C) 使用較簡單的模型 (D) 在損失函數(loss function)加入參數權重的 L2 norm,抑制權重變大
#3219179
46. 下列何種統計機器學習方法,容許資料中存有遺缺值? (A) 類神經網路(Artificial Neural Networks) (B) 分類與迴歸樹(Classification and Regression Trees) (C) K-近鄰法(K-Nearest Neighbors) (D) 羅吉斯迴歸(Logistic Regression)
#3219180
47. 當資料集的預測變數過多時,下列哪種方法是從只有截距項的最簡單 模型出發,逐步加入重要的變數? (A) 後向式逐步迴歸 (B) 前向式逐步迴歸 (C) 中向式逐步迴歸 (D) 反覆式逐步迴歸
#3219181
48. 關於羅吉斯迴歸(Logistic Regression)分類,下列敘述何者「不正確」? (A) 它是建立二元類別機率值之勝率(odds ratio)對數值的線性分類 (B) 其反應變數假設是二項式隨機變數 (C) 它對反應變數直接建模,將之關連到預測變數的線性函數 (D) 常被人誤解成數值迴歸技術
#3219182
49. 關於機器學習中的交叉驗證(Cross-Validation),下列敘述何者正確? (A) 使用不同架構的模型在相同的資料上,以驗證訓練效果 (B) 是預測評估模型配適(fitting)度及尋找模型參數的方法 (C) 用來避免配適不足(underfitting) (D) 將資料分割成訓練集(training set)跟測試集(testing set),進行訓練與分析
#3219183
50. 關於模型訓練與測試機制中的資料切分,下列敘述何者「不正確」? (A) 實務上常用重抽樣法進行模型最佳化 (B) 決定最佳的模型複雜度或參數組合後,最後再以整個校驗集 (calibration set)建立最佳複雜度或最佳參數組合下的最終模型 (C) 雙重重抽樣法包含內外兩圈的重抽樣機制,分別負責模型最佳化 與績效估計的工作,如此內外圈反覆執行所需計算量應是負擔最 重的訓練與測試機制 (D) 生醫或化學計量學等領域常因所搜集到樣本通常較少,因而採行50%的訓練集(training set)用以建立模型,25%的驗證集(validation set)進行模型參數最佳化,以及 25%的測試集(test set)測試最終模型等三個子集的切分方式
#3219184
1. Python 語言中,參考附圖程式碼,請問選項中何者可以取得 nested_list 中的'hi'?nested_list = [1, [2, 3, 5], ['hi', 2]] (A) nested_list[5] (B) nested_list[3][1] (C) nested_list[2][1] (D) nested_list[2][0]
#3219185
2. 關於二元混淆矩陣(Confusion Matrix),依真實資料的真假值與模型預 測輸出的真假值,可以組合出真陽性(True Positive, TP)、真陰性(True Negative, TN)、偽陽性(False Positive, FP)、偽陰性(False Negative, FN) 四種情況,請問下列敘述何者正確? (A) FP 是指真實情況有發生,但模型預測沒有發生 (B) 混淆矩陣常用來當作判斷二元分類模型的預測狀況 (C) 精確度(Precision)=TP/(TP+FP),度量有多個正例被分為正例 (D) 召回率(Recall)=TP/(TP+FN),表示被分為正例的示例中實際為 正例的比例
#3219186
相關試卷
113年 - 113-1 巨量資料分析師能力鑑定初級試題:資料處理與分析概論#122978
2024 年 · #122978
112年 - 112 初級巨量資料分析師能力鑑定考試02:資料處理與分析概論#116824
2023 年 · #116824
111年 - 111 巨量資料分析師能力鑑定考試02:資料處理與分析概論#114287
2022 年 · #114287
110年 - 110-1 初級巨量資料分析師能力鑑定考試02:資料處理與分析概論#119175
2021 年 · #119175
110年 - 110-2 初級巨量資料分析師能力鑑定考試02:資料處理與分析概論#119174
2021 年 · #119174
109年 - 109-2 初級巨量資料分析師能力鑑定試題:資料處理與分析概論#119179
2020 年 · #119179
109年 - 109 初級巨量資料分析師能力鑑定試題:資料處理與分析概論#119176
2020 年 · #119176
108年 - 108 初級巨量資料分析師能力鑑定試題:資料處理與分析概論#119181
2019 年 · #119181