机器学习——回归分析

回归分析测试笔记

1、回归问题按照输入变量的个数，分为一元回归和 多元回归。

2、回归问题按照输入变量和输出变量之间关系的类型，分为 线性回归和 非线性回归问题。

3、线性回归模型推广到多个解释变量，这个过程叫作多元线性回归。（对）

4、回归问题的学习等价于函数拟合。（对，选择一条函数曲线使其很好地拟合己知数据且很好地预测未知数据。）

5、回归模型表示从 自变量到 因变量之间映射的函数。

6、线性回归的目的是针对一个或多个特征与连续目标变量之间的关系建模。（对）

7、回归(regression)是属于下列哪一类机器学习问题？
A、半监督学习
B、监督学习
C、无监督学习
D、强化学习

8、当目标函数不是凸函数时，可以使用随机梯度下降法避免优化过程陷入局部最忧。（对）

9、回归问题分为学习和预测两个过程。

10、归一化和正则化是两种常见的可以将不同的特征统一到同一比例的方法。（错，是归一化和标准化）

11、损失函数用来衡量参数选择的准确性。（对）

12、梯度下降就是逐步最大化损失函数的过程。（错，最小化）

13、下列哪一项不是正规方程的特点？
A、如果特征维度太高，不宜考虑该方法
B、多次运算得出
C、只适用于线性模型，不适用与逻辑回归等其他模型
D、不要学习率

（一次运算得出。不需要进行迭代，在Matlab等平台上，矩阵运算仅需一行代码就可完成。）

14、下列哪一项不是梯度下降的特点？
A、需要进行多部迭代
B、能应用到一些更加复杂的算法中，如逻辑回归等
C、需要选择适当的学习率a
D、当特征数量很大时，不能较好适用

（对多特征适应性较好，能在特征数量很多时仍然工作良好。）