Weka中加载天气数据集(weather.nominal.arff),打开IBk分类器。利用AddNoise过滤器向其中添加噪声,将K-NN参数设置为5,将分类噪声百分比Percent设置为30%。运行分类器,则以下描述错误的是()。
A: 分类器正确分类百分比为71.4286%
B: 分类器均方根误差为0.4208
C: 类别属性值为“yes”的9个样本全部正确分类
D: 类别属性值为“no”的5个样本有1个被错误分类
A: 分类器正确分类百分比为71.4286%
B: 分类器均方根误差为0.4208
C: 类别属性值为“yes”的9个样本全部正确分类
D: 类别属性值为“no”的5个样本有1个被错误分类
D
举一反三
- Weka中加载天气数据集（weather.nominal.arff），打开IBk分类器。利用AddNoise过滤器向其中添加噪声，将K-NN参数设置为5，将分类噪声百分比Percent设置为30%。运行分类器，则以下描述错误的是()
- Weka中加载天气数据集（weather.nominal.arff），打开IBk...%。运行分类器，则以下描述错误的是（）。
- 使用一对多方法将N个分类任务进行求解的策略方法描述正确的是（ ） A: 如果测试结果有多个正例相近的分类器，则判断结果的置信度，置信度小的分类别作为最终分类器 B: 指将N个分类任务进行M次划分，每次将一部分类划分为正类，另一部分类划分为反类。 C: 使用N个分类器分别进行测试，测试结果正例最小的一个为所求解的分类器。 D: 训练时依次把某个类别的样本归为一类，其他剩余的样本归为另一类，可以概括为自己一类为正例，其余类为负例，N个分类任务将产生N个分类器。
- Weka中加载鸢尾花数据集（iris.arff），iris数据包含三个类别值，运行SMO分类器（）。
- 数据分类的基本思想就是构造一个模型或分类器来预测研究对象的分类属性，这个分类属性通常为类别型变量（）
内容
- 0
One-vs-rest逻辑回归分类法中，假设有n个类别，那么就会建立n个二项分类器，每个分类器针对其中一个类别和剩余类别进行分类。进行预测时，利用这n个二项分类器进行分类，得到数据属于当前类的概率，选择其中概率最大的一个类别作为最终的预测结果。
- 1
假设某分类器在一个测试数据集上的分类结果的混淆矩阵如下所示，请计算该分类器的错误率，以类别yes为正例，计算分类器的查全率recall为 %。【保留到整数位】 PredictedyesnoActualyes155no1020
- 2
装袋是指通过取样从原始训练数据集中创建m个“新”训练数据集（m"bootstrap"样本），在每个数据集上训练分类器分类，从m个分类器中获得多数投票。 A: 正确 B: 错误
- 3
使用IBk分类器和SMO分类器对vote.arff分别进行分类，由其输出的结果可知（）。 A: IBk正确分类百分比比SMO大 B: IBk对republican的分类正确率比SMO大 C: SMO对democrat的分类正确率比IBk小 D: SMO对democrat和republican的分类正确率都比IBk大
- 4
Weka中运行SMO分类器，将PolyKernel多项式核函数的指数（Exponent）设置为1，则以下描述正确的是（）。