举一反三
- 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
- 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，该分类器的准确率accuracy为（ ）。 PredictedyesnoActualyes155no1020
- 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，该分类器的错误率error rate为（ ）。 PredictedyesnoActualyes155no1020 A: 30% B: 25% C: 33.3% D: 20%
- 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，该分类器的准确率accuracy为（ ）。 PredictedyesnoActualyes155no1020 A: 70% B: 75% C: 66.7% D: 80%
- Adaboost算法的自适应体现在，以每一个基分类器的分类错误率为依据来决定该分类器在整个组合分类器中的权重，分类器错误率越低，基分类器权重越大。
内容
- 0
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。
- 1
分类器设计包括划分数据集、()和分类器测试。 A: 分类器构造 B: 分类器决策 C: 预处理 D: 数据获取
- 2
一种典型的机器学习方法的设计分类器的过程包括：所使用的数据集被划分为训练集和测试集，在训练集上训练分类器，然后在测试集上评价分类器的性能。 A: 正确 B: 错误
- 3
分类器是基于现有数据构造出一个模型或者函数，以将数据库中的数据映射到给定类别，从而可以应用于数据预测。常包含以下步骤：①在训练样本上执行分类器算法，生成分类模型。②在测试样本上执行分类模型，生成预测结果。③选定样本（包含正样本和负样本），将所有样本分成训练样本和测试样本。④根据预测结果，计算必要的评估指标，评估分类模型的性能。构造和实施分类器的正确顺序为（）
- 4
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