我们想要训练一个ML模型，样本数量有100万个，特征维度是5000，面对如此大数据，如何有效地训练模型（）。

A.样本数量

B.无实际意义

C.分类标签

D.变量数量

A.除去神经网络中的最后一层，冻结所有层然后重新训练

B.对神经网络中的最后几层进行微调，同时将最后一层（分类层）更改为回归层

C.使用新的数据集重新训练模型

D.所有答案均不对

我们想要减少数据集中的特征数,即降维.选择以下适合的方案()

1.使用前向特征选择方法

2.使用后向特征排除方法

3.我们先把所有特征都使用,去训练一个模型,得到测试集上的表现.然后我们去掉一个特征,再去训练,用交叉验证看看测试集上的表现.如果表现比原来还要好,我们可以去除这个特征.

4.查看相关性表,去除相关性最高的一些特征

A.1和2

B.2,3和4

C.1,2和4

D.All

A.机器视觉质检

B.厂区智能物流

C.无人智能巡检

D.生产现场监测

A.第1个模型的训练误差大于第2个、第3个模型

B.最好的模型是第3个，因为它的训练误差最小

C.第2个模型最为“健壮”，因为它对未知样本的拟合效果最好

D.第3个模型发生了过拟合

(i)求出样本中的平均工资和平均IQ。IQ的样本标准差是多少？(总体中的IQ已标准化为平均值是100，标准差是15。)

(ii)估计一个简单回归模型，其中IQ提高一个单位导致wage变化相同的数量。利用这个模型计算IQ提高15个单位时，工资的预期变化。10能够解释大多数工资波动吗？

(iii)现在再估计一个模型，其中IQ提高一个单位对工资具有相同的百分比影响。如果IQ提高15个单位，预期工资提高的百分比大约是多少？

A.增加树的深度

B.增大学习率

C.减少树的深度

D.减少树的数量

A.将正则化引入到模型中,总是能在训练集上获得相同或更好的性能

B.在模型中添加许多新特性有助于防止训练集过度拟合

C.将正则化引入到模型中,对于训练集中没有的样本,总是可以获得相同或更好的性能

D.向模型中添加新特征总是会在训练集上获得相同或更好的性能

A.只适用于线性模型,不适合逻辑回归模型等其他模型

B.不需要选择学习率

C.当特征数量很多的时候,运算速度会很慢

D.不需要迭代训练

A.增加训练集的数据量

B.正则化方法

C.增加样本的数量

D.增加训练的次数