出自:国家开放大学大数据分析与挖掘技术

下列方法可以降低频繁项集的计算复杂度的是（ ）。
【A.】减少候选项集的数目
【B.】减少比较次数
【C.】增加候选项集的数目
【D.】增加比较次数
下列方法无法降低频繁项集的计算复杂度的是（ ）。
【A.】减少候选项集的数目
【B.】减少比较次数
【C.】增加候选项集的数目
【D.】增加比较次数
下列关于关联规则的说法正确的是（ ）。
【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
下列关于支持度和置信度的说法正确的是（ ）。
【A.】置信度确定规则可以用于给定数据集的频繁程度
【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
下列关于支持度和置信度的说法不正确的是（ ）。
【A.】置信度确定规则可以用于给定数据集的频繁程度
【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
支持度确定Y在包含X的事务中出现的频繁程度。
【A.】√
【B.】×
支持度确定Y在包含X的事务中出现的频繁程度。
【A.】√
【B.】×
先验原理指的是如果一个项集是频繁的，则它的所有子集也一定是频繁的。
【A.】√
【B.】×
持度计数是指包含特定项集的事务个数。
【A.】√
【B.】×
置信度确定规则可以用于给定数据集的频繁程度。
【A.】√
【B.】×
关联分析中，包含0个或多个项的集合被称为项集，若一个项集包含k项，则称其为k-项集。
【A.】√
【B.】×
关联规则是指形如X→Y的蕴含表达式，其中X和Y是不相交的项集。
【A.】√
【B.】×
置信度确定Y在包含X的事务中出现的频繁程度。
【A.】√
【B.】×
关联规则的强度可以用支持度和置信度度量。
【A.】√
【B.】×
支持度确定规则可以用于给定数据集的频繁程度。
【A.】√
【B.】×
下列关于FP-growth算法的说法正确的是（ ）。
【A.】FP-growth算法以一种自底向上的方式探索
【B.】FP-growth算法以一种自上而下的方式探索
【C.】FP-growth算法效率较低
【D.】FP-growth算法效率较高
下列关于FP-growth算法的说法不正确的是（ ）。
【A.】FP-growth算法以一种自底向上的方式探索
【B.】FP-growth算法以一种自上而下的方式探索
【C.】FP-growth算法效率较低
【D.】FP-growth算法效率较高
下列关于Apriori算法和FP-growth算法的说法不正确的是（ ）。
【A.】Apriori算法效率较低
【B.】Apriori算法效率较高
【C.】FP-growth算法效率较低
【D.】FP-growth算法效率较高
下列关于Apriori算法和FP-growth算法的说法正确的是（ ）。
【A.】Apriori算法效率较低
【B.】Apriori算法效率较高
【C.】FP-growth算法效率较低
【D.】FP-growth算法效率较高
Apriori算法的效率比FP-growth算法的效率低。
【A.】√
【B.】×
偏自相关系数的是为给定中间观测值的条件下，观测值与前面某个间隔的观测值之间的相关系数。
【A.】√
【B.】×
确定ARMA模型p、q的过程即为模型的识别过程，也称ARMA模型的定阶。
【A.】√
【B.】×
相关系数图与偏相关系数图得到的最优模型和 AIC、BIC选择的最优模型不一定一致，需要多次进行建模比较寻优。
【A.】√
【B.】×
截尾是指在自相关系数图或偏自相关系数图中的系数有指数型、正弦型或震荡型衰减的波动，并不会都落入置信区间内。
【A.】√
【B.】×
截尾是指在自相关系数图或偏自相关系数图中，自相关系数或偏自相关系数的前几期处于置信区间之外，而之后是系数基本上都落入置信区间内，且逐渐趋于零。
【A.】√
【B.】×
拖尾是指在自相关系数图或偏自相关系数图中的系数有指数型、正弦型或震荡型衰减的波动，并不会都落入置信区间内。
【A.】√
【B.】×
相关系数图与偏相关系数图得到的最优模型和 AIC、BIC选择的最优模型一定一致。
【A.】√
【B.】×
偏自相关系数的实质是使得残差的方差达到最大的k阶AR模型的第k项系数。
【A.】√
【B.】×
偏自相关系数的实质是使得残差的方差达到最小的k阶AR模型的第k项系数。
【A.】√
【B.】×
自相关系数的是为给定中间观测值的条件下，观测值与前面某个间隔的观测值之间的相关系数。
【A.】√
【B.】×
拖尾是指在自相关系数图或偏自相关系数图中，自相关系数或偏自相关系数的前几期处于置信区间之外，而之后是系数基本上都落入置信区间内，且逐渐趋于零。
【A.】√
【B.】×
确定ARMA模型p、q的过程即为模型的识别过程，也称ARMA模型的定阶。下列属于模型识别的方法是（ ）。
【A.】自相关系数
【B.】协方差矩阵
【C.】偏自相关系数图
【D.】最小信息准则
下列说法正确的是（ ）。
【A.】偏自相关系数的实质是使得残差的方差达到最大的k阶AR模型的第k项系数。
【B.】相关系数图与偏相关系数图得到的最优模型和 AIC、BIC选择的最优模型不一定一致，需要多次进行建模比较寻优。
【C.】进行ARMA模型建模之前，分析的时间序列必须满足平稳性条件。
【D.】拖尾是指在自相关系数图或偏自相关系数图中，自相关系数或偏自相关系数的前几期处于置信区间之外，而之后是系数基本上都落入置信区间内，且逐渐趋于零。
下列说法错误的是（ ）。
【A.】偏自相关系数的实质是使得残差的方差达到最大的k阶AR模型的第k项系数。
【B.】相关系数图与偏相关系数图得到的最优模型和 AIC、BIC选择的最优模型不一定一致，需要多次进行建模比较寻优。
【C.】进行ARMA模型建模之前，分析的时间序列必须满足平稳性条件。
【D.】拖尾是指在自相关系数图或偏自相关系数图中，自相关系数或偏自相关系数的前几期处于置信区间之外，而之后是系数基本上都落入置信区间内，且逐渐趋于零。
如图是某模型最小信息数值，根据结果可以选择最优模型是（ ）【A.】MA(1)
【B.】ARMA(1,1)
【C.】AR(1)
【D.】ARMA(0,1)
时间序列经过1阶差分后平稳，其自相关系数图p阶截尾, 偏自相关系数图q阶截尾,可以识别为（ ）。
【A.】MA(p)模型
【B.】ARIMA(p,1,q)模型
【C.】AR(p)模型
【D.】ARMA(p,q)模型
平稳时间序列的自相关系数图p阶截尾, 偏自相关系数图拖尾,可以识别为（ ）
【A.】MA(p)
【B.】ARIMA(p,q)，q>0
【C.】AR(p)
【D.】ARMA(p,q)，q>0
偏自相关系数的实质是使得残差的（ ）达到（ ）的k阶AR模型的第k项系数。
【A.】均值；最小
【B.】均值；最大
【C.】方差；最小
【D.】方差；最大
采用AIC准则找最优模型得到如下的结果：
The AIC of ARMA(0,0) is 13679.401951273543
The AIC of ARMA(0,1) is 13332.135879407648
The AIC of ARMA(0,2) is 13289.758498467238
The AIC of ARMA(1,0) is 13458.95993448334
The AIC of ARMA(1,1) is 13266.651183460379
The AIC of ARMA(1,2) is 13241.110101949496
The AIC of ARMA(2,0) is 13396.594961413079
The AIC of ARMA(2,1) is 13245.885887026114
The AIC of ARMA(2,2) is 13242.201821971108
请问哪个模型最优（ ）
【A.】ARMA(0,2)
【B.】ARMA(2,2)
【C.】ARMA(1,0)
【D.】ARMA(1,2)
平稳时间序列的自相关系数图拖尾, 偏自相关系数图p阶截尾,可以识别为（ ）模型
【A.】MA(p)
【B.】ARIMA(p,q)，q>0
【C.】AR(p)
【D.】ARMA(p,q)，q>0
Box-Jenkins法的基本思想是用时间序列过去值和现在的值的线性组合来预测其未来的值。
【A.】√
【B.】×
进行ARMA模型建模之前，分析的时间序列必须满足平稳性条件。
【A.】√
【B.】×
AR（p）模型的基本假设有（ ）。
【A.】假设仅与有线性关系；
【B.】在已知的条件下，与线性相关
【C.】随机误差项是一个白噪声；
【D.】在已知的条件下，与无关；
MA（q）模型的基本假设有（ ）。
【A.】假设仅与有关；
【B.】与无关；
【C.】随机误差项是一个白噪声；
【D.】与有关；
ARIMA模型也叫整合自回归平均模型，可以分为（ ）模型、（ ）模型；（ ）模型。
【A.】AR
【B.】Box-Jenkins
【C.】ARMA
【D.】MA
具体表现为某个观测值与其先前的t-1，t-2，t-q个时刻进入系统的q个随机误差项的线性组合的模型是（ ）。
【A.】AR
【B.】ARIMA
【C.】ARMA
【D.】MA
请问下面的哪个模型是自回归模型（ ）
【A.】
【B.】X=A-1-0.8A-2
【C.】
【D.】
ARIMA模型也被叫做( )
【A.】自回归移动平均模型
【B.】自回归模型
【C.】移动平均模型
【D.】整合自回归移动平均模型
具体表现为某个观测值与其滞后p期的观测值的线性组合再加上随机误差项的模型是（ ）。
【A.】AR
【B.】ARIMA
【C.】ARMA
【D.】MA
具体表现为某个观测值不仅与其以前p个时刻的自身观测值有关，还与其以前时刻进入系统的q个随机误差存在一定的依存关系的模型是（ ）。
【A.】AR
【B.】ARIMA
【C.】ARMA
【D.】MA
首页 <上一页 3 4 5 6 7 下一页> 尾页