出自:国家开放大学大数据分析与挖掘技术

数据反映了事物或现象之间存在内在数值联系，称为横截面数据。
【A.】√
【B.】×
数据是随时间变化而变化，反映了事物、现象在时间上的发展变动情况，称为横截面数据。
【A.】√
【B.】×
空调销售量随着季节不同而发生较大变动，夏季的销售量一般高于冬季的销售量。空调销售量数据的这种变动称为季节波动。
【A.】√
【B.】×
时间序列的组成部分包括（ ）。
【A.】长期趋势
【B.】季节变动
【C.】循环波动
【D.】不规则变动
无法用组成部分解释或不可控的随机变动，称为( )。
【A.】长期趋势
【B.】季节变动
【C.】循环波动
【D.】不规则变动
指事物或现象呈周而复始的变动，且是无固定规律的交替波动，称为( )
【A.】长期趋势
【B.】季节变动
【C.】循环波动
【D.】不规则变动
要通过某城市历史10年的用电量数据预测未来的用电量，通常采用( )
【A.】分类
【B.】聚类分析
【C.】关联分析
【D.】时间序列模型
事物或现象在不同时刻或时期所形成的数据，称为（ ）。
【A.】横截面数据
【B.】时间序列数据
【C.】虚拟变量数据
【D.】随机数据
数据反映若干事物或现象在同一时刻或时间上所处的状态或特征，或者反映其与时间无关的特征，这些数据反映了事物或现象之间存在内在数值联系，称为（ ）。
【A.】横截面数据
【B.】时间序列数据
【C.】虚拟变量数据
【D.】随机数据
要通过某气象站历史10年的逐日降水数据预测未来的降水量，通常采用( )
【A.】时间序列模型
【B.】分类
【C.】关联分析
【D.】聚类分析
事物或现象在一年内随着季节更换而形成的有规律变动，称为( B )
【A.】长期趋势
【B.】季节变动
【C.】循环波动
【D.】不规则变动
要通过某超市历史1年的客流量数据预测未来的客流量，通常采用( )
【A.】分类
【B.】时间序列模型
【C.】关联分析
【D.】聚类分析
事物或现象在较长时间内持续发展变化的一种趋向或状态，称为( )
【A.】长期趋势
【B.】季节变动
【C.】循环波动
【D.】不规则变动
DBSCAN算法基于密度的聚类的概念，即要求聚类空间中的一定区域所包含对象的数目不大于某一给定的阈值。
【A.】√
【B.】×
DBSCAN算法中，密度可达是直接密度可达的传递闭包，并且这种关系是非对称的。
【A.】√
【B.】×
DBSCAN算法中，密度可达是直接密度可达的传递闭包，并且这种关系是对称的。
【A.】√
【B.】×
DBSCAN聚类可以用于数据分布不均匀，呈块状分布，并且聚集形态是任意形状的情况。
【A.】√
【B.】×
密度相连是对称关系，密度可达也是对称关系。
【A.】√
【B.】×
DBSCAN算法基于密度的聚类的概念，即要求聚类空间中的一定区域所包含对象的数目不小于某一给定的阈值。
【A.】√
【B.】×
路径相互重叠越少，使用Fp-tree结构获得的压缩效果就越好。
【A.】√
【B.】×
Apriori算法的效率比FP-growth算法的效率高。
【A.】√
【B.】×
路径相互重叠越多，使用Fp-tree结构获得的压缩效果就越好。
【A.】√
【B.】×
P-P图或Q-Q图形在残差符合正态假定条件下，散点图看起来应该像是（ ）。
【A.】一条水平直线
【B.】一条截距为0、斜率为-1的直线
【C.】一条截距为0、斜率为1的直线
【D.】一条垂直直线
只有通过检验的模型才能够充分描述变量之间的关系，建立的模型才有现实意义。
【A.】√
【B.】×
P-P图或Q-Q图形在残差符合正态假定条件下，散点图看起来应该像是一条截距为0、斜率为1的直线。
【A.】√
【B.】×
定性因素对因变量的影响在进行回归分析的过程中，需要进行特殊的处理是（ ）。
【A.】把定性变量取对数再做分析
【B.】把定性变量转化为虚拟变量之后再引入回归模型中进行分析
【C.】把定性变量去掉
【D.】无需做任何处理
定性因素对因变量的影响在进行回归分析的过程中，需要把定性变量转化为虚拟变量之后再引入回归模型中进行分析。
【A.】√
【B.】×
参照方程就是指当所有虚拟变量为0时的方程。
【A.】√
【B.】×
定性因素对因变量的影响在进行回归分析的过程中，无需对定性变量做处理。
【A.】√
【B.】×
对含有虚拟变量的回归方程进行分析，应当先确定分析的参照方程。
【A.】√
【B.】×
非线性形式的变量关系转化为线性关系可以通过的方式是（ ）。
【A.】变量代换或转换
【B.】变量剔除
【C.】变量筛选
【D.】增加变量
如果在存在非线性关系的情况下使用线性回归拟合曲线，则会丢失数据之间的大量有用信息，甚至会得出错误的结论。
【A.】√
【B.】×
非线性形式的变量关系一般可以通过变量代换或转换的方式转化为线性关系。
【A.】√
【B.】×
如果在存在非线性关系的情况下使用线性回归拟合曲线也是可以的，不会影响结论。
【A.】√
【B.】×
有些时候变量间的曲线关系比较明显，但是难将其线性化，这个时候可以考虑直接使用非线性最小二乘估计法来估计模型参数。
【A.】√
【B.】×
多项式回归类似于可线性化的非线性模型，可通过变量代换的方式使用普通最小二乘对参数进行估计。
【A.】√
【B.】×
一般的多项式回归模型很少应用到三阶以上。
【A.】√
【B.】×
多项式回归模型常常会应用到三阶以上。
【A.】√
【B.】×
多项式回归当阶数过高时，待估参数过多，但这并不影响对于结果的判断。
【A.】√
【B.】×
多项式回归当阶数过高时，待估参数过多，在样本量不大的情况下会比较困难，这是多项式回归的一大缺陷。
【A.】√
【B.】×
当数据具有尖峰厚尾的分布特征或有离群点（即异常值）时，模型的稳健性（ ）。
【A.】没有影响
【B.】较好
【C.】较差
【D.】无法判断
当数据具有尖峰厚尾的分布特征或有离群点（即异常值）时，模型稳健性较差。
【A.】√
【B.】×
分位数回归是对以古典条件均值模型为基础的延伸，它用几个分位函数来估计整体模型。
【A.】√
【B.】×
当数据具有尖峰厚尾的分布特征或有离群点（即异常值）时，模型稳健性较好。
【A.】√
【B.】×
与一般的回归分析过程一样，分位数回归模型进行参数估计之后，也需要对模型进行评价以及进行显著性检验。
【A.】√
【B.】×
分析自变量对计数因变量的影响时所建立的模型为（ ）。
【A.】线性回归模型
【B.】Logistic回归模型
【C.】分位数回归
【D.】计数模型
讨论是否购买手机与哪些变量有关，采用离散选择模型来建模，那么响应概率就是指（ ）
【A.】做出“购买”决策的概率
【B.】做出“不购买”决策的期望
【C.】做出“购买”决策的对数
【D.】做出“不购买”决策的倒数
要考虑与运动会上获得的奖牌数相关的因素，比如参赛队总人数、运动员平均年龄、参与项目数等，此时最适合的模型是（ ）。
【A.】线性回归模型
【B.】Logistic回归模型
【C.】分位数回归
【D.】计数模型
属于离散因变量模型的是（ ）。
【A.】线性概率模型
【B.】计数模型
【C.】二元选择模型
【D.】多重选择模型
假定隐变量的随机误差项服从Logit分布的模型是（ ）。
【A.】线性概率模型
【B.】二元Probit模型
【C.】二元Logit模型
【D.】计数模型
首页 <上一页 5 6 7 8 9 下一页> 尾页