网友您好， 请在下方输入框内输入要搜索的题目：
题目内容
（请给出正确答案）
最出名的降维算法是PCA和t-SNE。将这两个算法分别应用到数据「X」上，并得到数据集「X_projected_PCA」，「X_projected_tSNE」。下面哪一项对「X_projected_PCA」和「X_projected_tSNE」的描述是正确的?
A.X_projected_PCA在最近邻空间能得到解释
B.X_projected_tSNE在最近邻空间能得到解释
C.两个都在最近邻空间能得到解释
D.两个都不能在最近邻空间得到解释
参考答案
更多 “ 最出名的降维算法是PCA和t-SNE。将这两个算法分别应用到数据「X」上，并得到数据集「X_projected_PCA」，「X_projected_tSNE」。下面哪一项对「X_projected_PCA」和「X_projected_tSNE」的描述是正确的?A.X_projected_PCA在最近邻空间能得到解释B.X_projected_tSNE在最近邻空间能得到解释C.两个都在最近邻空间能得到解释D.两个都不能在最近邻空间得到解释 ” 相关考题
考题
我们建立一个5000个特征,100万数据的机器学习模型.我们怎么有效地应对这样的大数据训练()A.我们随机抽取一些样本,在这些少量样本之上训练B.我们可以试用在线机器学习算法C.我们应用PCA算法降维,减少特征数D.B和CE.A和BF.以上所有
考题
LDA（线性区别分析)与PCA（主成分分析）均是降维的方法，下面描述不正确的是（）A．PCA对高维数据降维后的维数是与原始数据特征维度相关（与数据类别标签无关）B．LDA降维后所得到维度是与数据样本的类别个数K有关（与数据本身维度无关）C．假设原始数据一共有K个类别，那么LDA所得数据的降维维度小于或等于K−1D．PCA和LDA均是基于监督学习的降维方法
考题
下面选项中说法正确的有（）。A．JDA特征转化时，降维方法中的数据重构选择PCA来进行B．通过PCA得到k 维特征表示后，为了减小边缘分布差异，引入最大均值差异MMD，旨在k维嵌入中计算源域数据和目标域数据样本均值之间的距离C．JDA中，目标域中没有标签数据，不能直接建模，需利用类条件分布来近似，因此可以利用在源域数据上训练得到的基分类器应用到目标域数据，得到目标域数据的伪标签D．在JDA中，我们的目标是同时最小化域间边缘分布和条件分布的差异
考题
下列关于数据降维的说法不正确的是（）A.神经网络算法不能用于数据降维。#B.原始数据可能包含数以百/千/万计的属性，大部分情况下会有很多属性与任务不相关，是冗余的，数据降维可以提高数据质量，提升数据挖掘和机器学习的效率及精度。#C.数据降维的方法包括人工降维和自动降维，其中自动降维又分为维度规约和数据压缩 。#D.维度规约又称又称特征选择, 就是要删除冗余无用的属性；被保留的属性仍保持原有的物理意义。
考题
以下关于PCA算法的描述正确的有哪些A．即使输入数据X各个维度上的数值相似度较高，依旧需要对其去均值B．已知使用PCA算法压缩后的数据Y以及压缩矩阵A，但是无法大致还原压缩前的数据XC．在使用PCA算法时，有可能陷入局部最小值，所以需要使用不同的初始化数值多次计算以获得更好的结果D．使用PCA算法时，数据压缩后的维度M可以设置的偏小一点
热门标签
最新试卷
