486、位勢函數法的積累勢函數K(x)的作用相當於Bayes判決中的（）
A、後驗概率
B、先驗概率
C、類概率密度
D、類概率密度與先驗概率的和
正確答案是：A
解析：
具體的，勢函數詳解請看——《勢函數法》。
來源：@劉炫320，鏈接：http://blog.csdn.net/column/details/16442.html
487、隱馬爾可夫模型三個基本問題以及相應的算法說法錯誤的是（ ）
A、評估—前向後向算法
B、解碼—維特比算法
C、學習—Baum-Welch算法
D、學習—前向後向算法
正確答案是：D
解析：
評估問題，可以使用前向算法、後向算法、前向後向算法。
488、在其他條件不變的前提下，以下哪種做法容易引起機器學習中的過擬合問題？
A、增加訓練集量
B、減少神經網絡隱藏層節點數
C、刪除稀疏的特徵
D、SVM算法中使用高斯核/RBF核代替線性核
正確答案是：D
解析：
一般情況下，越複雜的系統，過擬合的可能性就越高，一般模型相對簡單的話泛化能力會更好一點。
B.一般認為，增加隱層數可以降低網絡誤差（也有文獻認為不一定能有效降低），提高精度，但也使網絡複雜化，從而增加了網絡的訓練時間和出現“過擬合”的傾向， svm高斯核函數比線性核函數模型更復雜，容易過擬合
D.徑向基(RBF)核函數/高斯核函數的說明,這個核函數可以將原始空間映射到無窮維空間。對於參數 ，如果選的很大，高次特徵上的權重實際上衰減得非常快，實際上（數值上近似一下）相當於一個低維的子空間；反過來，如果選得很小，則可以將任意的數據映射為線性可分——當然，這並不一定是好事，因為隨之而來的可能是非常嚴重的過擬合問題。不過，總的來說，通過調整參數 ，高斯核實際上具有相當高的靈活性，也是 使用最廣泛的核函數 之一。
鏈接：http://blog.csdn.net/column/details/16442.html
489、下列時間序列模型中,哪一個模型可以較好地擬合波動性的分析和預測。
A、AR模型
B、MA模型
C、ARMA模型
D、GARCH模型
正確答案是：D
解析：
AR模型是一種線性預測，即已知N個數據，可由模型推出第N點前面或後面的數據（設推出P點），所以其本質類似於插值。
MA模型(moving average model)滑動平均模型，其中使用趨勢移動平均法建立直線趨勢的預測模型。
ARMA模型(auto regressive moving average model)自迴歸滑動平均模型，模型參量法高分辨率譜分析方法之一。這種方法是研究平穩隨機過程有理譜的典型方法。它比AR模型法與MA模型法有較精確的譜估計及較優良的譜分辨率性能，但其參數估算比較繁瑣。
GARCH模型稱為廣義ARCH模型，是ARCH模型的拓展，由Bollerslev(1986)發展起來的。它是ARCH模型的推廣。GARCH(p,0)模型，相當於ARCH(p)模型。GARCH模型是一個專門針對金融數據所量體訂做的迴歸模型，除去和普通迴歸模型相同的之處，GARCH對誤差的方差進行了進一步的建模。特別適用於波動性的分析和預測，這樣的分析對投資者的決策能起到非常重要的指導性作用，其意義很多時候超過了對數值本身的分析和預測。
鏈接：http://blog.csdn.net/column/details/16442.html
490、以下說法中錯誤的是（）
A、SVM對噪聲（如來自其他分部的噪聲樣本）具備魯棒性
B、在adaboost算法中，所有被分錯樣本的權重更新比例不相同
C、boosting和bagging都是組合多個分類器投票的方法，二者都是根據單個分類器的正確率確定其權重
D、給定n個數據點，如果其中一半用於訓練，一半用戶測試，則訓練誤差和測試誤差之間的差別會隨著n的增加而減少的
正確答案是：C
解析：
A 軟間隔分類器對噪聲是有魯棒性的。
B 請參考http://blog.csdn.net/v_july_v/article/details/40718799
C boosting是根據分類器正確率確定權重，bagging不是。
D 訓練集變大會提高模型魯棒性。
↓ ↓ ↓ ↓ ↓ ↓
閱讀更多 七月在線 的文章
