A.PCA算法是通过变换矩阵得到原有特征的线性组合,新特征之间是线性相关的。
B.第一主成分和第二主成分是互不相关的。
C.通过PCA方法得到的特征变换矩阵是由协方差矩阵所对应的最大的几个特征值所得到的特征向量构成的。
D.第一主成分是原始特征的所有线性组合里是方差最大的。
您可能感兴趣的试卷
你可能感兴趣的试题
A.基于熵的可分性判据中,判据的值越大,说明类别可分性越差。
B.在基于熵的可分性判据中利用熵的大小来作为类别可分性的判据。
C.熵表示不确定性,熵越大不确定性越大。
D.熵表示不确定性,熵越小不确定性越大。
A.在实际当中,人们主要采用实验方法来估计监督模式识别系统中分类器的错误率。
B.在实际当中,人们主要采用理论分析的方法来评价监督模式识别系统中分类器的错误率。
C.训练错误率并不能准确反映分类器性能的好坏。
D.在监督模式识别系统中,可以用错误率来反映模式识别系统的性能。
A.多于
B.等于
C.不确定
D.少于
A.BP算法由误差的正向传播和数据的反向传播两个过程构成。
B.BP网络是是一种按误差反向传播算法训练的多层前馈网络。
C.在BP算法中数据的正向传播和误差的反向传播是交替进行的。
D.BP算法由数据流的前向计算(正向传播)和误差信号的反向传播两个过程构成。
A.在感知器算法中可以通过调整学习率p来减少迭代次数
B.在感知器算法中,如果样本不是线性可分的,则算法最后不会收敛
C.感知器算法也适用于线性不可分的样本
D.在感知器算法中的学习率是可以改变的
A.模式可以看作对象的组成成分或影响因素间存在的规律性关系
B.模式识别研究的问题就是如何通过机器实现样本的特征提取
C.人类的日常活动中包含很多模式识别的活动
D.对外界事物完成分类的过程也就完成了识别的过程
最新试题
特征提取不仅可以降低特征空间的维度,还可以消除特征之间的相关性。
测试集的样本数量越多,对分类器错误率的估计就越准确。
贝叶斯估计中是将未知的参数本身也看作一个随机变量,要做的是根据观测数据对参数的分布进行估计。
参数估计是已知概率密度的形式,而参数未知。
隐含层或输出层具有激活函数。
在感知器算法中训练样本需要经过增广化处理和规范化处理。
下面关于交叉验证法的说法中正确的是()。
类间离散度矩阵代表了每一个类的重心到整个样本集的重心之间的距离。
概率密度函数的参数估计需要一定数量的训练样本,样本越多,参数估计的结果越准确。
下面关于超平面的说法中正确的是()。