训练数据越多越好，不需要关心数据质量。
人工智能通识基础 练习题
共 674 道题，以下仅展示题目与选项，供练习与学习使用。
想边做边批改、自动判分、收藏错题？
前往主站在线练习《人工智能通识基础》，获得完整学习体验。
前往 爱课堂 学习 →
正则化可以防止模型过拟合。
回归分析只能预测一个连续值。
学习率越大，模型训练越快且效果越好。
半监督学习结合了监督学习和无监督学习的优势。
聚类结果中的每个簇必须有标签。
异常值对机器学习模型的训练没有影响。
支持向量机只能处理线性可分的数据。
模型在验证集上的表现可以作为选择模型的依据。
机器学习模型的效果只取决于算法选择，与数据无关。
以下不属于机器学习核心概念的是
- A特征
- B标签
- C权重
- D编译器
梯度下降算法的核心目的是
- A增加模型复杂度
- B最小化损失函数
- C提升数据量
- D简化模型结构
线性回归模型的输出是
- A离散值
- B连续值
- C概率值
- D分类标签
以下属于分类任务的是
- A预测房屋价格
- B识别图片中的动物种类
- C预测股票涨幅
- D计算商品销量
过拟合产生的主要原因是
- A数据量过大
- B模型复杂度高于数据规律
- C学习率过高
- D特征数量过少
逻辑回归主要用于解决
- A二分类问题
- B多分类问题
- C回归问题
- D聚类问题
决策树模型的核心是
- A构建层级化的判断规则
- B计算梯度下降方向
- C优化学习率
- D增加隐藏层数量
梯度下降中，学习率过大可能导致
- A模型收敛过快
- B损失函数震荡不收敛
- C过拟合
- D特征维度降低
应对过拟合的基础方法不包括
- A增加训练数据
- B简化模型结构
- C提高模型复杂度
- D正则化
机器学习任务中，回归与分类的核心区别是
- A回归用梯度下降，分类不用
- B回归输出连续值，分类输出离散值
- C回归需要标签，分类不需要
- D回归模型更简单
本页仅提供题目与选项供学习参考，不含答案。如需系统练习、自动判分与错题本，欢迎前往主站《人工智能通识基础》在线练习。