481、Nave Bayes是一種特殊的Bayes分類器,特徵變量是X,類別標籤是C,它的一個假定是（）
A、各類別的先驗概率P(C)是相等的
B、以0為均值，sqr(2)/2為標準差的正態分佈
C、特徵變量X的各個維度是類別條件獨立隨機變量
D、P(X|C)是高斯分佈
正確答案是：C
解析：
樸素貝葉斯的條件就是每個變量相互獨立。
來源@劉炫320，鏈接：http://blog.csdn.net/column/details/16442.html
482、關於支持向量機SVM,下列說法錯誤的是（）
A、L2正則項，作用是最大化分類間隔，使得分類器擁有更強的泛化能力
B、Hinge 損失函數，作用是最小化經驗分類錯誤
C、分類間隔為1/||w||，||w||代表向量的模
D、當參數C越小時，分類間隔越大，分類錯誤越多，趨於欠學習
正確答案是：C
解析：
A正確。考慮加入正則化項的原因：想象一個完美的數據集，y>1是正類，y
B正確。
C錯誤。間隔應該是2/||w||才對，後半句應該沒錯，向量的模通常指的就是其二範數。
D正確。考慮軟間隔的時候，C對優化問題的影響就在於把a的範圍從[0，+inf]限制到了[0,C]。C越小，那麼a就會越小，目標函數拉格朗日函數導數為0可以求出w=求和ai∗yi∗xi，a變小使得w變小，因此間隔2/||w||變大
來源：@劉炫320，鏈接：http://blog.csdn.net/column/details/16442.html
483、在HMM中,如果已知觀察序列和產生觀察序列的狀態序列,那麼可用以下哪種方法直接進行參數估計()
A、EM算法
B、維特比算法
C、前向後向算法
D、極大似然估計
正確答案是：D
解析：
EM算法： 只有觀測序列，無狀態序列時來學習模型參數，即Baum-Welch算法
維特比算法： 用動態規劃解決HMM的預測問題，不是參數估計
前向後向算法：用來算概率
極大似然估計：即觀測序列和相應的狀態序列都存在時的監督學習算法，用來估計參數
注意的是在給定觀測序列和對應的狀態序列估計模型參數，可以利用極大似然發估計。如果給定觀測序列，沒有對應的狀態序列，才用EM，將狀態序列看不不可測的隱數據。
來源：@劉炫320，鏈接：http://blog.csdn.net/column/details/16442.html
484、在Logistic Regression 中,如果同時加入L1和L2範數,不會產生什麼效果（）
A、以做特徵選擇,並在一定程度上防止過擬合
B、能解決維度災難問題
C、能加快計算速度
D、可以獲得更準確的結果
正確答案是：D
解析：
Ｌ１範數具有係數解的特性，但是要注意的是，Ｌ１沒有選到的特徵不代表不重要，原因是兩個高相關性的特徵可能只保留一個。如果需要確定哪個特徵重要，再通過交叉驗證。它的優良性質是能產生稀疏性，導致 W 中許多項變成零。 稀疏的解除了計算量上的好處之外，更重要的是更具有“可解釋性”。所以能加快計算速度和緩解維數災難.
在代價函數後面加上正則項，Ｌ１即是Ｌｏｓｓｏ迴歸，Ｌ２是嶺迴歸。L1範數是指向量中各個元素絕對值之和，用於特徵選擇。L2範數 是指向量各元素的平方和然後求平方根，用於 防止過擬合，提升模型的泛化能力。
對於機器學習中的範數規則化，也就是L0,L1,L2範數的詳細解答，請參閱《範數規則化》（鏈接：http://blog.csdn.net/zouxy09/article/details/24971995/）。
來源：@劉炫320，鏈接：http://blog.csdn.net/column/details/16442.html
485、機器學習中L1正則化和L2正則化的區別是？
A、使用L1可以得到稀疏的權值
B、使用L1可以得到平滑的權值
C、使用L2可以得到稀疏的權值
正確答案是：A
解析：
L1正則化偏向於稀疏，它會自動進行特徵選擇，去掉一些沒用的特徵，也就是將這些特徵對應的權重置為0.
L2主要功能是為了防止過擬合，當要求參數越小時，說明模型越簡單，而模型越簡單則，越趨向於平滑，從而防止過擬合。
L1正則化/Lasso
L1正則化將係數w的l1範數作為懲罰項加到損失函數上，由於正則項非零，這就迫使那些弱的特徵所對應的係數變成0。因此L1正則化往往會使學到的模型很稀疏（係數w經常為0），這個特性使得L1正則化成為一種很好的特徵選擇方法。
L2正則化/Ridge regression
L2正則化將係數向量的L2範數添加到了損失函數中。由於L2懲罰項中係數是二次方的，這使得L2和L1有著諸多差異，最明顯的一點就是，L2正則化會讓係數的取值變得平均。
對於關聯特徵，這意味著他們能夠獲得更相近的對應係數。還是以Y=X1+X2為例，假設X1和X2具有很強的關聯，如果用L1正則化，不論學到的模型是Y=X1+X2還是Y=2X1，懲罰都是一樣的，都是2alpha。但是對於L2來說，第一個模型的懲罰項是2alpha，但第二個模型的是4*alpha。可以看出，係數之和為常數時，各系數相等時懲罰是最小的，所以才有了L2會讓各個係數趨於相同的特點。
可以看出，L2正則化對於特徵選擇來說一種穩定的模型，不像L1正則化那樣，係數會因為細微的數據變化而波動。所以L2正則化和L1正則化提供的價值是不同的，L2正則化對於特徵理解來說更加有用：表示能力強的特徵對應的係數是非零。
因此，一句話總結就是：L1會趨向於產生少量的特徵，而其他的特徵都是0，而L2會選擇更多的特徵，這些特徵都會接近於0。Lasso在特徵選擇時候非常有用，而Ridge就只是一種規則化而已。
來源：@劉炫320，鏈接：http://blog.csdn.net/column/details/16442.html
閱讀更多 七月在線 的文章
