以下哪种方法不属于分类算法？
决策树 (Decision Tree)
支持向量机 (Support Vector Machine)
线性回归 (Linear Regression)
K近邻 (K-Nearest Neighbors)
在使用 KNN 分类算法时，下列哪一项可以显著影响分类结果？
数据的标准化
K 值的选择
特征的数量
其余所有
支持向量机分类的核心思想是：
通过条件概率预测类别
寻找最近的样本点进行预测
寻找最大化类别间间隔的超平面
通过深度学习网络预测类别
当分类问题的类别非常不平衡时，下列哪种方法是适合的？
增加数据样本的数量
使用准确率作为唯一评价指标
使用 F1 分数代替准确率
忽略少数类的样本
以下哪种分类算法使用树结构进行决策？
逻辑回归 (Logistic Regression)
决策树 (Decision Tree)
支持向量机 (SVM)
K近邻 (KNN)
朴素贝叶斯分类算法中的“朴素”假设是指：
数据是线性可分的
所有特征相互独立
类别数量相等
数据分布是均匀的
在随机森林算法中，模型性能提升的关键是：
通过集成多棵独立决策树减少过拟合
使用不同核函数
每棵树都使用相同的训练数据
使用稀疏数据集
在分类问题中，下列哪种操作通常用于减少模型过拟合？
使用更多的训练数据
降低特征维度
使用交叉验证
其余均是
SVM 中使用核函数的主要作用是：
降维
将数据映射到更高维以实现线性可分
减少训练时间
去除噪声点
随机森林相较于单棵决策树的优势不包括：
降低过拟合
对高维特征鲁棒
模型可解释性更强
使用特征子集减少方差
逻辑回归是一种用于回归分析的算法，因此不能用于分类问题。
AdaBoost是一种提升分类性能的算法，但只能用于二分类问题。
决策树算法容易受到过拟合的影响。
SVM 的目标是最大化间隔（margin）。
KNN 算法中 K 值越大越容易过拟合。