出自:国家开放大学大数据分析与挖掘技术

假定隐变量的随机误差项服从标准正态分布的模型是（ ）。
【A.】线性概率模型
【B.】二元Probit模型
【C.】二元Logit模型
【D.】计数模型
离散因变量具有两个选项或两种属性，离散因变量的属性往往是对立或互斥的模型是（ ）
【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
下列关于线性概率模型，说法错误的是（ ）
【A.】解释变量的合理变化会导致预测概率溢出[0,1]区间；
【B.】使用加权最小二乘法修正异方差性可以保证概率预测值在[0,1]区间。
【C.】当样本量充分大时，普通最小二乘法参数估计量的结果近似服从正态分布，可以克服随机误差项分布未知的缺陷。
【D.】模型误差具有异方差性，但异方差性不影响参数估计。
下列属于二元选择模型的模型检验方法的是（ ）.
【A.】Z统计量对回归系数检验
【B.】LR似然比对模型的拟合优度进行检验
【C.】AIC、BIC信息指数
【D.】Wald统计量对多个系数进行检验
线性概率模型的缺点是（ ）
【A.】解释变量的合理变化会导致预测概率溢出[0,1]区间；
【B.】使用加权最小二乘法修正异方差性也无法保证概率预测值在[0,1]区间；
【C.】随机误差项的分布未知；
【D.】模型误差具有异方差性，异方差性使参数估计不具有时效性。
下列关于线性概率模型，说法正确的是（ ）
【A.】解释变量的合理变化会导致预测概率溢出[0,1]区间；
【B.】使用加权最小二乘法修正异方差性可以保证概率预测值在[0,1]区间。
【C.】当样本量充分大时，普通最小二乘法参数估计量的结果近似服从正态分布，可以克服随机误差项分布未知的缺陷。
【D.】模型误差具有异方差性，但异方差性不影响参数估计
二元选择模型的因变量中的“0”和“1”可以直接进行数学运算。
【A.】√
【B.】×
隐变量是不能直接进行观测，但可以通过其他直接观测得到的变量（显变量）进行描述和反映的变量。
【A.】√
【B.】×
二元选择模型的的参数估计结果不能理解为自变量变动对因变量的边际影响，应当理解为自变量的变动，对因变量取“1”的概率的影响有多大。
【A.】√
【B.】×
二元选择模型的因变量中的“0”和“1”只是对应属性的标注或符号，不具备任何数值上的意义，不直接进行数学运算。
【A.】√
【B.】×
二元选择模型的的参数估计结果可以理解为自变量变动对因变量的边际影响，应当理解为自变量的变动。
【A.】√
【B.】×
在多重选择模型中，对于无序选择模型，一般假定随机误差项是独立同分布的随机变量，且假定服从（ ）。
【A.】卡方分布
【B.】均匀分布
【C.】标准正态分布
【D.】韦布尔分布
对于分析多个属性的离散因变量与自变量的关系的模型是（ ）。
【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
依据离散因变量选项的含义和次序的不同，可以将多重选择模型分为（ ）.
【A.】ordinal probit模型
【B.】有序模型
【C.】无序模型
【D.】ordinal logit模型
对于某个时间、空间等范围内事情发生次数的计数数据，一般都认为其近似服从（ ）。
【A.】卡方分布
【B.】韦布尔分布
【C.】标准正态分布
【D.】泊松分布
下面关于Poisson回归模型说法不正确的是（ ）
【A.】又称为计数模型
【B.】假设观测因变量数据服从Poisson分布
【C.】使用极大似然法进行参数估计
【D.】模型不需要进行检验
为监测某厂家生产的某款激光打印机的质量问题，考察该款打印机发生故障的次数。其发生故障的次数可能会受到打印纸张数量（千页）、打印机使用时长（千小时）、硒鼓（原装/兼容）等因素的影响。收集数据后的分析结果如下：

        【图片】


请问关于上面的结果说法正确的是：（ ）
【A.】此次分析构建了一个计数模型
【B.】收集了30个观测数据
【C.】对数似然值为-39.804
【D.】自变量都不显著
对于Poisson回归模型，可以使用极大似然估计进行参数估计。
【A.】√
【B.】×
计数模型的离散因变量的数字是有数值含义的，即次数之间可以进行数学运算。
【A.】√
【B.】×
计数模型的离散因变量的数字是没有数值含义的。
【A.】√
【B.】×
根据从不同总体中随机抽取出来的不同样本，在分析样本特征的基础上建立一定的判别法则，根据新的样本特征和判别法则判别新样本应该来自哪一个总体的是：（ ）
【A.】回归分析
【B.】聚类分析
【C.】主成分分析
【D.】判别分析
下列不属于分类算法的是（ ）。
【A.】决策树
【B.】Kmeans
【C.】最近邻分类
【D.】支持向量机
下列属于分类算法的是（ ）。
【A.】决策树
【B.】Kmeans
【C.】最近邻分类
【D.】支持向量机
针对于多分类问题，我们可以采取哪些方法。（ ）
【A.】“一对一”，对于两两的类别组合，建立【图片】个二分类模型；
【B.】选择可以直接进行多分类的模型；
【C.】直接使用针对二分类问题的模型；
【D.】“一对其他”，给每个类别与其他非此类别的样本建立二分类模型。
根据已知或假定总体是否服从一定的分布（如多元正态分布），可以将判别分析的判别规则分为（ ）。
【A.】两组判别分析
【B.】参数判别规则
【C.】非参数判别规则
【D.】多组判别分析
分类任务就是通过学习得到一个目标函数f，一个把自变量空间映射到因变量空间的函数，我们称该目标函数为决策函数或判别函数。
【A.】√
【B.】×
分类和回归的根本区别在于，分类的解释变量Y是一个一维的定性变量或离散变量。
【A.】√
【B.】×
判别分析的核心是建立判别法则。
【A.】√
【B.】×
如果已知或假定总体服从一定的分布，则可以使用参数判别规则，反之则可以使用非参数判别规则。
【A.】√
【B.】×
所有针对于二分类问题的模型都可以直接应用于多分类问题。
【A.】√
【B.】×
判别规则所依据的最简单的原则是，新样本离哪一个类别中心的距离最近，那么它就属于哪一类。
【A.】√
【B.】×
关于混淆矩阵，如果一个点属于正类并且被预测到负类中，称为：（ ）
【A.】真正类；
【B.】假正类；
【C.】真负类；
【D.】假负类。
关于混淆矩阵，如果一个点属于负类并且被预测到正类中，称为：（ ）
【A.】真正类；
【B.】假正类；
【C.】真负类；
【D.】假负类。
关于混淆矩阵，如果一个点属于正类并且被预测到正类中，称为：（ ）
【A.】真正类；
【B.】假正类；
【C.】真负类；
【D.】假负类。
关于混淆矩阵，如果一个点属于负类并且被预测到负类中，称为：（ ）
【A.】真正类；
【B.】假正类；
【C.】真负类；
【D.】假负类。
请为名词选择①-④表示其含义的描述，将配好的A-D填写到括号中。
【A.】①真正类 -> -> 如果一个点属于负类并且被预测到正类中
【B.】②假正类 -> -> 如果一个点属于正类并且被预测到正类中
【C.】③真负类 -> -> 如果一个点属于正类并且被预测到负类中
【D.】④假负类 -> -> 如果一个点属于负类并且被预测到负类中
样品和哪个总体距离最近，就判它属于哪个总体的分类方法是：（ ）
【A.】支持向量机
【B.】决策树
【C.】最近邻分类
【D.】线性判别
马氏距离实质上是经过标准化的变量的欧氏距离。
【A.】√
【B.】×
通常情况下，线性判别（距离判别）一般采用马氏距离。
【A.】√
【B.】×
马氏距离不受总体空间大小的影响，也不受计量单位的影响，反映了按平均水平计算被判定样本到中心的相对距离。
【A.】√
【B.】×
马氏距离既受总体空间大小的影响，也受计量单位的影响，反映了按平均水平计算被判定样本到中心的相对距离。
【A.】√
【B.】×
对每个样本，先计算判别函数得分，然后根据先验概率和判别函数得分的条件概率，计算出该样本被判为每一类的后验概率，被判入哪一类的后验概率最大，则把样本判为哪一类。该分类方法是（ ）
【A.】聚类判别
【B.】决策树
【C.】贝叶斯判别
【D.】线性判别
下列关于贝叶斯判别和线性判别，说法正确的是（ ）
【A.】贝叶斯判别考虑每个分类的观察值不同时，每类出现的机会是不同的。
【B.】贝叶斯判别与距离判别的结果总是一样的。
【C.】线性判别简单、直观且实用。
【D.】线性判别考虑了误判所造成的损失差异。
下列不是判别分析的方法（ ）。
【A.】距离判别
【B.】协方差阵判别
【C.】聚类判别
【D.】贝叶斯判别
下列关于贝叶斯判别和线性判别，说法错误的是（ ）。
【A.】贝叶斯判别考虑每个分类的观察值不同时，每类出现的机会是不同的。
【B.】贝叶斯判别与距离判别的结果总是一样的。
【C.】线性判别简单、直观且实用。
【D.】线性判别考虑了误判所造成的损失差异。
关于下面的贝叶斯判别结果说法正确的是（ ）。

Setosaversicolorvirginica01.000000e+005.048809e-171.869461e-2516.250263e-1712.635294e-029.736471e-0121.937522e-3152.179357e-121.000000e+0033.729519e-1169.868228e-011.317724e-0241.000000e+005.634438e-184.545093e-26
【A.】编号0的观测将被判为Setosa一类
【B.】编号4的观测将被判为Setosa一类
【C.】编号3的观测将被判为versicolor一类
【D.】编号1的观测将被判为versicolor一类
贝叶斯判别既没有考虑每个分类的观察值不同时，每类出现的机会是不同的，也没有考虑误判所造成的损失差异。
【A.】√
【B.】×
先验概率与后验概率一定不相同。
【A.】√
【B.】×
距离判别既没有考虑每个分类的观察值不同时，每类出现的机会是不同的，也没有考虑误判所造成的损失差异。
【A.】√
【B.】×
先验概率是根据以往经验和分析得到的概率。
【A.】√
【B.】×
首页 <上一页 6 7 8 9 10 下一页> 尾页