A.干擾樣本清理算法
B.異常樣本識(shí)別算法
C.異常樣本聚類算法
D.決策樹算法
您可能感興趣的試卷
你可能感興趣的試題
A.能夠處理高緯度的數(shù)據(jù)，并且不做特征選擇
B.每次學(xué)習(xí)使用不同訓(xùn)練集，一定程度避免過擬合
C.在某些噪音較大的分類或回歸問題上不會(huì)過擬合
D.級(jí)別劃分較多的屬性不會(huì)影響模型效果
A.決策樹算法
B.回歸算法
C.聚類分析
D.神經(jīng)網(wǎng)絡(luò)算法
A.信令CDR數(shù)據(jù)
B.話務(wù)統(tǒng)計(jì)數(shù)據(jù)
C.綜合資源數(shù)據(jù)
D.業(yè)務(wù)營(yíng)銷數(shù)據(jù)
A.分類樹
B.回歸數(shù)
C.二分?jǐn)?shù)
D.多分樹
A.當(dāng)業(yè)務(wù)質(zhì)量分析的樣本流量太大，可以結(jié)合計(jì)算資源能力，通過合理比例的樣本抽樣，開展指標(biāo)計(jì)算與分析
B.對(duì)于業(yè)務(wù)質(zhì)量的指標(biāo)分析，選取單個(gè)用戶的業(yè)務(wù)訪問xdr，即可計(jì)算該業(yè)務(wù)的指標(biāo)情況，評(píng)估該業(yè)務(wù)是否存在內(nèi)容資源質(zhì)差
C.不同業(yè)務(wù)的質(zhì)量指標(biāo)通常存在一定差值，該現(xiàn)象與各業(yè)務(wù)的業(yè)務(wù)特性、用戶行為、內(nèi)容資源差異等多個(gè)因素有關(guān)，屬于正常現(xiàn)象
D.業(yè)務(wù)質(zhì)量分析中，通常結(jié)合業(yè)務(wù)指標(biāo)的歷史值（如該指標(biāo)上周均值）與指標(biāo)的固定閾值（如成功率是否低于90%），來(lái)作為是否出現(xiàn)質(zhì)差或者劣化的判斷依據(jù)
最新試題
樸素貝葉斯分類器對(duì)（）數(shù)據(jù)具有較好的分類效果。
Tableau是廣義數(shù)據(jù)挖掘中的哪一類工具（）
下列屬于數(shù)據(jù)歸納方法的是（）
集中性能系統(tǒng)的數(shù)據(jù)源不包括（）
如果購(gòu)買鐵錘的顧客中有70％的人購(gòu)買了鐵釘，那么置信度是（）。
在Hadoop集群中，一個(gè)MapReduce作業(yè)的執(zhí)行流程包括以下哪些（）
客戶感知溯源分析結(jié)合網(wǎng)管、經(jīng)分?jǐn)?shù)據(jù)等，建立貼近客戶使用體驗(yàn)的感知評(píng)價(jià)。通過（）核心算法從海量的客戶網(wǎng)絡(luò)行為樣本中識(shí)別異常點(diǎn)，并進(jìn)行聚類分析，判斷異常屬于群體現(xiàn)象或個(gè)別現(xiàn)象。
在數(shù)據(jù)挖掘中，以下哪三種算法應(yīng)用最為廣泛（）
隨機(jī)森林利用隨機(jī)的方式將許多決策樹組合成一個(gè)森林，每個(gè)決策樹在分類的時(shí)候決定測(cè)試樣本的最終類別。它的優(yōu)點(diǎn)是（）
關(guān)于ROC曲線和ROC統(tǒng)計(jì)量，正確的說(shuō)法有（）