关联规则挖掘的目标是:
发现数据项之间的有趣模式
提高分类模型的精度
预测未来的数据趋势
对数据进行聚类
以下哪一种算法主要用于关联规则挖掘?
K-Means
SVM
Apriori
KNN
在关联规则挖掘中,“支持度”的含义是:
条件概率的大小
数据集中满足该规则的项集占总数据的比例
规则的可靠性
规则的置信度是否超过阈值
以下关于 Apriori 算法的描述正确的是:
它通过频繁项集的子集也必须是频繁项集的性质剪枝
它是一种基于树结构的深度优先搜索算法
它使用递归方法生成所有可能的项集
它主要用于分类任务
在关联规则挖掘中,如果规则的提升度(Lift)为 1,则表明:
规则是完全独立的
规则无效
规则是完全相关的
规则与随机性无关
在关联规则挖掘中,最小支持度阈值的设置会直接影响:
置信度的计算
数据的聚类结果
生成的频繁项集数量
规则的提升度
以下关于 FP-Growth 算法的说法正确的是:
它与 Apriori 算法效率相当
它不需要设置最小支持度阈值
它通过迭代方式生成候选项集
它通过构建频繁模式树避免多次扫描数据集
下列任务中,最适合使用关联规则挖掘的是:
图像分类
用户购买行为分析
文本摘要生成
时间序列预测
回归算法的主要目标是:
发现关联规则
聚类数据
分类数据
预测连续变量
以下哪个算法不属于回归算法?
决策树回归
K-Means
线性回归
支持向量回归(SVR)
以下哪种回归方法适合处理高维数据且具有良好的鲁棒性?
岭回归(Ridge Regression)
线性回归
决策树回归
多项式回归
以下哪种回归方法允许对非线性关系进行建模?
线性回归
多项式回归
Lasso 回归
岭回归
多项式回归是一种线性回归算法的扩展,能够处理非线性关系。
支持向量回归(SVR)可以通过核函数处理非线性回归问题。
Apriori 算法的核心思想是“频繁项集的所有非空子集也是频繁的”。