出自:国家开放大学大数据分析与挖掘技术

相关分析根据其分析方法和处理对象不同，可以分为简单相关分析、偏相关分析和非参数相关分析等。
【A.】√
【B.】×
变量或数据之前的两种主要关系是函数关系和相关关系。
【A.】√
【B.】×
变量之间的影响不能够用具体的函数来度量，但变量之间的关系确实存在数量上不是严格对应的相互依存关系，则称这种关系为函数关系。
【A.】√
【B.】×
变量或数据之前的两种主要关系是因果关系和相关关系。
【A.】√
【B.】×
当一个或几个变量取一定的值时，另一个变量有确定值与之具体严格相对应，则称这种关系为函数关系。
【A.】√
【B.】×
当一个或几个变量取一定的值时，另一个变量有确定值与之具体严格相对应，则称这种关系为相关关系。
【A.】√
【B.】×
相关系数r的取值范围是（ ）。
【A.】0≤r≤1
【B.】0<r<1
【C.】-1<r<1
【D.】-1≤r≤1
按相关因素（变量）之间的关系形态不同，可以将相关关系分为（ ）。
【A.】单相关和复相关
【B.】正相关和负相关
【C.】线性相关和非线性相关
【D.】偏相关和参数相关
下列关于相关系数r的说法不正确的是（ ）。
【A.】r具有对称性
【B.】r的数值的大小与x和y的计量尺度无关
【C.】r无法反映两个变量之间的因果关系
【D.】r≥0时，表明两个变量之间存在负线性相关关系
下列关于相关系数r的说法不正确的是（ ）。
【A.】r具有对称性
【B.】r的数值的大小与x和y的计量尺度有关
【C.】r无法反映两个变量之间的因果关系
【D.】r≥0时，表明两个变量之间存在正线性相关关系
下列关于相关系数r的说法不正确的是（ ）。
【A.】当r=0时，表现为完全不相关
【B.】当r=0时，表现为无线性相关
【C.】当r取值为-1时，表示为完全负线性相关
【D.】当r取值为1时，表示为完全正线性相关
下列关于相关系数r的说法不正确的是（ ）。
【A.】r具有对称性
【B.】r的数值的大小与x和y的计量尺度无关
【C.】r能够反映两个变量之间的因果关系
【D.】r≥0时，表明两个变量之间存在正线性相关关系
按相关因素（变量）的多少，可以将相关关系分为（ ）。
【A.】单相关和复相关
【B.】正相关和负相关
【C.】线性相关和非线性相关
【D.】偏相关和参数相关
下列不属于变量之间的相关关系考察形式的是（ ）。
【A.】单相关和复相关
【B.】正相关和负相关
【C.】线性相关和非线性相关
【D.】偏相关和参数相关
按相关因素（变量）之间的相关方向，可以将相关关系分为（ ）。
【A.】单相关和复相关
【B.】正相关和负相关
【C.】线性相关和非线性相关
【D.】偏相关和参数相关
下列关于Pearson相关系数的显著性检验说法错误的是（ ）。
【A.】如果P值越小则相关系数越显著
【B.】如果P值越大则相关系数越显著
【C.】P值的大小无法看出相关系数是否显著
【D.】P值的大小可以看出相关系数的显著程度
按相关因素（变量）的多少，可以将相关关系分为（ ）。
【A.】单相关
【B.】复相关
【C.】线性相关
【D.】非线性相关
下列关于Pearson相关系数的显著性检验说法正确的是（ ）。
【A.】如果P值越小则相关系数越显著
【B.】如果P值越大则相关系数越显著
【C.】P值的大小无法看出相关系数是否显著
【D.】P值的大小可以看出相关系数的显著程度
按相关因素（变量）之间的关系形态不同，可以将相关关系分为（ ）。
【A.】单相关
【B.】复相关
【C.】线性相关
【D.】非线性相关
下列不属于按相关因素（变量）之间的关系形态不同将相关关系分类的是（ ）。
【A.】单相关
【B.】复相关
【C.】线性相关
【D.】非线性相关
按相关因素（变量）之间的相关方向，可以将相关关系分为（ ）。
【A.】单相关
【B.】复相关
【C.】正相关
【D.】负相关
下列属于变量之间的相关关系考察形式的是（ ）。
【A.】单相关和复相关
【B.】正相关和负相关
【C.】线性相关和非线性相关
【D.】偏相关和参数相关
下列关于相关系数r的说法正确的是（ ）。
【A.】r的取值范围为[-1,1]
【B.】当r=0时，表现为无线性相关
【C.】当r取值为-1时，表示为完全负线性相关
【D.】当r取值为1时，表示为完全正线性相关
下列关于相关系数r的说法正确的是（ ）。
【A.】r具有对称性
【B.】r的数值的大小与x和y的计量尺度无关
【C.】r无法反映两个变量之间的因果关系
【D.】r≥0时，表明两个变量之间存在正线性相关关系
下列关于相关系数r的说法正确的是（ ）。
【A.】当r=0时，表现为完全不相关
【B.】当r=0时，表现为无线性相关
【C.】当r取值为-1时，表示为完全负线性相关
【D.】当r取值为1时，表示为完全正线性相关
下列不属于按相关因素（变量）之间的相关方向将相关关系分类的是（  ）。
【A.】单相关
【B.】复相关
【C.】正相关
【D.】负相关
下列不属于按相关因素（变量）的多少将相关关系分类的是（ ）。
【A.】单相关
【B.】复相关
【C.】线性相关
【D.】非线性相关
r是两个变量之间线性关系的度量指标，也可以反映两个变量之间的因果关系。
【A.】√
【B.】×
Pearson相关系数是反映两个变量的线性相关程度，但它并不能够度量变量之间的非线性相关程度。
【A.】√
【B.】×
r的数值的大小与x和y的计量尺度无关，改变x和y的数据的计量尺度，并不改变r的数值。
【A.】√
【B.】×
如果P值越大则相关系数越显著，越能说明总体数据之间存在显著关系。
【A.】√
【B.】×
按相关因素（变量）之间的相关方向，相关关系又可分为正相关和负相关。
【A.】√
【B.】×
r具有对称性，x与y之间的相关系数与y与x之间的相关系数相等。
【A.】√
【B.】×
r的数值的大小与x和y的计量尺度有关，改变x和y的数据的计量尺度会改变r的数值。
【A.】√
【B.】×
按相关因素（变量）之间的关系形态不同，相关关系可分为线性相关和非线性相关。
【A.】√
【B.】×
如果P值越小则相关系数越显著，越能说明总体数据之间存在显著关系。
【A.】√
【B.】×
r是两个变量之间线性关系的度量指标，但无法反映两个变量之间的因果关系。
【A.】√
【B.】×
按相关因素（变量）的多少，相关关系又可分为正相关和负相关。
【A.】√
【B.】×
按相关因素（变量）之间的相关方向，可将相关关系分为单相关和复相关。
【A.】√
【B.】×
按相关因素（变量）的多少，可将相关关系分为单相关和复相关。
【A.】√
【B.】×
r的取值范围为[-1,1]，当r取值为1时，表示为完全正线性相关；当r=0时，表现为无线性相关，当r取值为-1时，表示为完全负线性相关。
【A.】√
【B.】×
在进行相关分析时先剔除其对其他变量的影响，再研究变量之间的相关关系的方法称为偏相关分析。
【A.】√
【B.】×
简单相关分析有时不能够真实地反映现象之间的关系
【A.】√
【B.】×
点二列（点双列）相关分析适用于两列变量中一列是来自正态总体的定距或定比数据，另一列是二分类数据的情况。
【A.】√
【B.】×
下列不属于常见的非参数相关系数计算方法的是（ ）。
【A.】Spearman
【B.】Kendall.s tau-b
【C.】Hoeffding.s D
【D.】Pearson
常见的非参数相关系数计算方法有（ ）。
【A.】Spearman
【B.】Kendall.s tau-b
【C.】Hoeffding.s D
【D.】Pearson
非参数相关系数计算方法较多，常见的主要有Spearman、Kendall.s tau-b和Hoeffding.s D相关系数等。
【A.】√
【B.】×
下列关于关联规则的说法不正确的是（ ）。
【A.】关联规则的强度可以用支持度和置信度度量
【B.】支持度确定规则可以用于给定数据集的频繁程度
【C.】置信度确定Y在包含X的事务中出现的频繁程度
【D.】支持度确定Y在包含X的事务中出现的频繁程度
若关联规则为{牛奶，尿布}→{啤酒}:{牛奶，尿布，啤酒}，项集的支持度计数为2，而事务总数为5，则该项集的支持度为（ ）。
【A.】0.4
【B.】10
【C.】2
【D.】5
若关联规则为{牛奶，尿布}→{啤酒}:{牛奶，尿布，啤酒}，项集的支持度计数为2，而事务总数为5，则该项集的置信度为（ ）。
【A.】0.4
【B.】0.67
【C.】2
【D.】5
首页 <上一页 2 3 4 5 6 下一页> 尾页