新建题库12031115_在线真题试卷与模拟练习_新建题库12031115_考试宝

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

收藏

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 0 / 0

随机练习 自定义设置练习量

题型乱序 按导入顺序练习

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

下面以使用 scikit-learn 库中的 breast cancer 数据集为例，展示如何使用决策树算法进行分类，请分析下面代码，说说各部分实现的功能。 Import numpy as npfrom sklearn.datasets import load_breast_cancer From sklearn.tree import DecisionTreeClassifier From sklearn.model_selection import train_test_split From sklearn.metrics import accuracy_score Import matplotlib.pyplot as plt From sklearn import tree 以上代码的作用：（）。 Breast_cancer = load_breast_cancer() X = breast_cancer.data Y = breast_cancer.target 以上代码的作用：（）。 # # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=40) 以上代码的作用：（）。 Tree_clf = DecisionTreeClassifier(max_depth=5,random_state=40) 以上代码的作用：（）。 Tree_clf.fit(X_train, y_train) 以上代码的作用：（）。 Y_pred = Tree_clf.predict(X_test) 以上代码的作用：（）。 # 计算准确率 Print("正确率:", accuracy_score(y_test, y_pred)) 以上代码的作用：（）。 Fig, ax = plt.subplots(figsize=(12, 8)) Tree.plot_tree(Tree_clf, ax=ax, filled=True, feature_names=iris.feature_names, Class_names=iris.target_names) Plt.show() 以上代码的作用：（）

下面以使用 scikit-learn 库中的 breast cancer 数据集为例，展示如何使用逻辑回归算法进行分类，请分析下面代码，说说各部分实现的功能。 Import numpy as np From sklearn import datasets From sklearn.linear_model import LogisticRegression Import matplotlib.pyplot as plt 以上代码的作用：（）。# 加载乳腺癌数据集 Breast_cancer = datasets.load_breast_cancer() Index = breast_cancer.target < 2 X = breast_cancer.data[index,:2] Y = breast_cancer.target[index] 以上代码的作用：（）。 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.15, random_state=40) 以上代码的作用：（）。 Classifier = LogisticRegression() 以上代码的作用：（）。 Classifier.fit(X_train, y_train) 以上代码的作用：（）。 # 计算分类正确率 Y_predit = classifier.predict(X_test) Error = np.mean(np.abs(y_test - y_predit)) Print(error) 以上代码的作用：（）。 Print(classifier.coef_) Print(classifier.intercept_) 以上代码的作用：（）。 Xx,yy = np.meshgrid( Np.arange(X[:,0].min()-0.5 ,X[:,0].max()+0.5 ,0.1), Np.arange(X[:,1].min()-0.5 ,X[:,1].max()+0.5 ,0.1) ) Input = np.concatenate( (xx.reshape((-1,1)) ,yy.reshape((-1,1))), axis=1 ) Z = classifier.predict(input) Z = z.reshape(xx.shape) Plt.figure(figsize=(4,3)) Plt.pcolormesh(xx,yy,z,cmap=plt.cm.Paired) For i in range(2): Index = Y == i Mark = 'kx' if i == 0 else 'k+'plt.plot(X[index,0], X[index,1],mark) Plt.show() 以上代码的作用：（）

下面以使用 scikit-learn 库中的 Iris 数据集为例，展示如何使用朴素贝叶斯算法进行分类，请分析下面代码，说说各部分实现的功能。 Import numpy as np From sklearn import datasets From sklearn.model_selection import train_test_split From sklearn.naive_bayes import GaussianNB From sklearn import metrics 以上代码的作用：（）。 Iris = datasets.load_iris() X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, Test_size=0.3, random_state=0) 以上代码的作用：。 Clf = GaussianNB(); 以上代码的作用：() 。 Clf.fit(X_train, y_train); 以上代码的作用：() 。 Y_pred = clf.predict(X_test); 以上代码的作用：() 。 Print(metrics.accuracy_score(y_test, y_pred)) 以上代码的作用：()

下面以使用 scikit-learn 库中的 UCI 手写数字数据集为例，展示如何使用感知机模型算法进行分类，请分析下面代码，说说各部分实现的功能。 Import numpy as np Import matplotlib.pyplot as plt From sklearn.datasets import load_digits From sklearn.linear_model import Perceptron 以上代码的作用：（）。 Digits = load_digits() For i in range(10): # 显示 1 行 10 列中的第 i+1 个图 Plt.subplot(1,10,i+1) Plt.imshow(digits.images[i])# 隐藏坐标轴刻度 Plt.axis('off') Plt.show() 以上代码的作用：（）。 X,y = load_digits(return_X_y = True) 以上代码的作用：() 。 Perceptron = Perceptron(max_iter=1000, tol=0.0001, eta0=1) 以上代码的作用：（）。 Perceptron.fit(X,y) 以上代码的作用：() 。 W = perceptron.coef_ 。b = perceptron.intercept_ 以上代码的作用：（）。 X = np.transpose(X[0:10,:]) Out = np.matmul(w,x) + b 以上代码的作用：（）。 Out = 1/(1+np.exp(-out/1000)) For i in range(10): Print(list(map(lambda x: '{0:.2f}'.format(x),out[i,:]))) 以上代码的作用：（）

10 万张图片分类，说明模型结构和训练方法

某电商平台希望根据客户的历史购买记录对客户进行分群，并据此制定相关营销策略，请设计一个机器学习流程（含算法选择、特征工程、聚类评估），并说明理由。

某研究小组希望通过利用学生的学习时长、学习频率等特征，来挖掘不同类型学生的行为特征，请设计一个面向高校学生的行为聚类方案。

某房地产公司希望基于用户的购买行为进行客户细分，请设计一个基于聚类分析的客户分群方案。

某银行希望通过客户的交易行为进行聚类分析，以制定个性化的营销策略，请设计一个聚类分析的解决方案，并说明选择的算法及理由。

请设计一个基于支持向量机（SVM）进行二分类任务的机器学习流程，并说明每个步骤的具体操作。

请设计一个逻辑回归模型来预测某个用户是否会购买某个商品，简述模型的设计和评估过程。

某公司想要通过决策树模型预测客户是否会购买其新产品，数据包含客户的年龄、收入、教育程度、地区和是否参与过促销等信息。请设计一个决策树模型来实现此任务，并简述数据预处理、模型训练、模型评估等具体步骤。

假设你正在开发一个决策树模型来预测员工是否会在公司工作 5 年以上。已知员工的年龄、工龄、职位、薪资和是否参加过培训等信息，请设计决策树模型，并描述特征选择、树剪枝的过程。

1