(A) F1-Score
(B) Area Under Curve, AUC
(C) Mean Square Error, MSE
(D) R-Square
Ans: D
22. 如附圖所示，為Log Loss的曲線圖，橫軸為模型預測的機率，縱軸則是該機率所帶來的Log Loss，請參考此圖判斷下列哪一項為Log Loss的計算公式？
(A)
(B)
(C)
(D)
Ans: B
23. 關於相關係數（Correlation coefficient）的描述，下列哪一項錯誤？
(A) 其值在0至1之間
(B) 相關係數是衡量變數之間的線性相關性
(C) 相關係數就算很接近最大值，也不一定代表兩個變數有因果關係
(D) 可用於衡量迴歸模型的表現
Ans: A
24. 關於常見的模型衡量標準，平均絕對誤差（Mean Absolute Error, MAE）與均方根誤差（Root Mean Square Error, RMSE）的描述，下列哪一項錯誤？
(A) 兩者對離群值都不敏感
(B) 兩者的值落在0至無限大之間
(C) 兩者都可以使用在迴歸的問題上
(D) 兩者都是數值越低，代表模型越精準
Ans: A
25. 關於梯度提升機（Gradient Boosting Machine）的描述，下列哪一項錯誤？
(A) 使用集成（Ensemble）方法中的Boosting方法
(B) 使用大量弱學習器（Weak Learner）結合來提升模型準確度
(C) 弱學習器彼此之間無關聯性
(D) 可用於迴歸與分類問題
Ans: C
26. 實務上經常會遇到樣本分布不均衡的情形。如詐騙偵測，瑕疵檢測等，下列哪一種方法並不能解決樣本不均衡的問題？
(A) 對類別較少的資料進行過抽樣（Oversampling）
(B) 對類別較多的資料進行低抽樣（Undersampling）
(C) 在目標函數中，提高類別較少的樣本貢獻之損失值（Loss）
(D) 使用維度縮減（Dimension Reduction）來平衡類別
Ans: D
27. 下列哪一種模型是無監督式學習（Unsupervised Learning）的常見模型？
(A) 支持向量機（Support Vector Machine）
(B) 條件隨機域（Conditional Random Field）
(C) 階層式分群法（Hierarchical Clustering）
(D) 決策樹（Decision Tree）
Ans: C
28. 下列哪一種演算法不能用來對高維度的數據進行降維（Dimension Reduction）？
(A) 奇異值分解（Singular Value Decomposition）
(B) 主成分分析（Principal Component Analysis）
(C) 自編碼器（Autoencoder）
(D) 脊迴歸（Ridge Regression）
Ans: D
29. 關於超參數搜索（Hyperparameter Searching）的描述，下列哪一項錯誤？
(A) 超參數的設置對模型的訓練過程會有很大的影響
(B) 正確的超參數搜尋應搭配Cross Validation進行
(C) 超參數指的是模型訓練時內部在更新的參數
(D) 不同資料集的最佳參數配置可能不同
Ans: C
30. 機器學習中，特徵工程（Feature Engineering）是很重要的工作之一，下列關於特徵工程的描述哪一項錯誤？
(A) 對問題的領域有深入的了解能夠提出更關鍵的特徵（Features）
(B) 可使用Ridge Regression或樹模型進行特徵選取
(C) 可對數值特徵做數值轉換，如相乘、相除等等獲得更多特徵
(D) 衡量特徵的相關性，可剔除相關性過高的特徵
Ans: B
31. 下列哪一項不是隨機森林（Random Forest）演算法可以調整的超參數（Hyperparameter）？
(A) 樹的最大深度（Max Depth of Tree）
(B) 樹的數量（Numbers of Tree）
(C) 學習率（Learning Rate）
(D) 切分的準則（Criterion）
Ans: C
32. 如附圖所示，一個二元分類的問題（YES為Positive），建立模型完成預測後我們得到了一混淆矩陣，請問下列敘述哪一項錯誤？
(A) 模型準確率（Accuracy）為0.8
(B) 模型的真陽性率（True Positive Rate）為0.875
(C) 模型的偽陰性率（False Negative Rate）為0.1
(D) 模型的精準率（Precision）為0.7
Ans: C
33. 二元分類的問題，經常使用0.5當成閾值進行分類，模型預測機率大於0.5判定為1，小於0.5則判定為0。實務上如生產線瑕疵檢測，寧願檢測機台發生誤警報，也不願意漏掉任何一個瑕疵。假設我們有一訓練好的自動瑕疵檢測機台，原本預測閾值大於0.5則判定為瑕疵，如果希望降低漏掉瑕疵的機率，此時我們會如何對閾值做調整來符合產線需求？
(A) 降低閾值
(B) 提升閾值
(C) 不變
(D) 調整閾值並不會改變判定結果
Ans: A
34. 關於梯度下降法（Gradient Descent），下列哪一項正確？(L為目標函數，X為模型參數）
(A) 透過梯度下降法必定可以找到目標函數極小值
(B) 往dL / dx切線的反方向更新參數
(C) 往dL / dx切線的方向更新參數
(D) 整體的函數損失值（Loss）不會隨著迭代增加
Ans: B
35. 機器學習問題與選用的優化目標函數的對應關係，下列哪一項錯誤？
(A) 二元分類問題 - 二元交叉熵（Binary Cross-Entropy）
(B) 二元分類問題 - 類別交叉熵（Categorical Cross-Entropy）
(C) 二元分類問題 - 準確率（Accuracy）
(D) 迴歸問題 - 均方誤差（Mean Square Error, MSE）
Ans: C
36. 下列哪一項並非類神經網路常用的優化器（Optimizer）？
(A) Adam
(B) RMSProp
(C) AdaBoost
(D) Nadam
Ans: C
37. 在一個神經網路架構中，兩個全連接層若各為10個神經元，此兩層間的參數量為下列哪一項？
(A) 100
(B) 110
(C) 30
(D) 1000
Ans: B
38. 在一個神經網路架構中，兩個全連接層若第一層有10個神經元，第二層有15個神經元，此兩層間的參數量為下列哪一項？
(A) 150
(B) 165
(C) 1500
(D) 2250
Ans: B
39. 下列哪一項並非類神經網路常見的解決過度擬合（Overfitting）方法？
(A) 使用Dropout
(B) 使用Regulizers
(C) 增加訓練資料
(D) 增加訓練時間
Ans: D
40. 下列哪一種方法可以促使隨機梯度下降法（Stochastic Gradient Descent, SGD）優化器避免困在局部最小值（Local Minimum）？
(A) 將初始學習率（Learning Rate）設在較大的值上
(B) 在其啟動函數的切線方向上，加上動量（Momentum）
(C) 在其損失函數的切線方向上，加上動量（Momentum）
(D) 在其損失函數的法線方向上，加上動量（Momentum）
Ans: C
沒有留言:
張貼留言