机器学习和深度学习的主要区别在于:
机器学习需要数据,深度学习不需要
深度学习使用神经网络自动学习特征,机器学习通常需要手动特征工程
机器学习只能处理数值数据,深度学习可以处理所有类型数据
深度学习运算速度更快
过拟合(Overfitting)是指:
模型在训练集上表现差,在测试集上表现好
模型在训练集上表现太好,在测试集上表现差
模型在训练集和测试集上都表现差
模型无法收敛
训练集、验证集和测试集的主要作用是:
增加数据量
分别用于训练、调参和最终评估
提高模型准确率
减少计算时间
下面哪个技术不能用于防止过拟合?
正则化
增加数据集
早停(Early Stopping)
增加模型复杂度
在机器学习中,监督学习和无监督学习的主要区别是:
监督学习使用GPU,无监督学习使用CPU
监督学习有标签数据,无监督学习没有标签数据
监督学习更准确,无监督学习不够准确
监督学习用于分类,无监督学习用于回归
学习率(Learning Rate)控制:
模型训练的次数
模型的大小
每次参数更新的步长
数据的批量大小
无监督学习的典型应用是:
图像分类
房价预测
客户分群
垃圾邮件检测
肘部法则(Elbow Method)用于确定:
SVM的最优C参数
K-means的最优K值
CNN的最佳学习率
神经网络的层数
CNN中卷积层的主要作用是:
降低维度
提取特征
分类预测
正则化
在CNN中,用于降低特征图尺寸的层是:
卷积层
全连接层
池化层
激活层