K近邻分类的核心问题包括()。

A.距离度量

B.模型参数估计

C.k值选择

D.分类决策规则

A.距离度量

B.k值的选择

C.样本大小

D.分类决策规则

A.k近邻可以用于分类，但是不能用于回归

B.k近邻属于“急切学习”

C.k近邻用于分类时，对于新的样本，计算离其最近的k个样本的平均值，作为新样本的预测值

D.k近邻用于分类时，对于新的样本，根据其k个最近邻样本的类别，通过多数表决的方式预测新样本的类别

A.支持向量机模型中距离平面最近的几个样本对平面的选择影响最大

B.K近邻算法中K值的选择对分类的结果影响不大

C.模型测试阶段的测试数据集不能与训练数据集有交集

D.决策树算法中最能将样本数据显著分开的属性应该在决策早期就使用

A.支持向量机模型中距离平面最近的几个样本对平面的选择影响最大

B.模型测试阶段的测试数据集不能与训练数据集有交集

C.K近邻算法中K值的选择对分类的结果影响不大

D.决策树算法中最能将样本数据显著分开的属性应该在决策早期就使用

A.快速K近邻算法

B.压缩近邻法

C.最近邻算法

D.K近邻算法

A.深度学习

B.k最近邻算法

C.k均值聚类

D.随机森林

A.欧式距离

B.曼哈顿距离

C.马氏距离

D.海明距离

A.k近邻

B.逻辑回归

C.决策树

D.线性回归

A.贝叶斯错误率$

B.$ 渐进错误率$

C.$ 最优值$

D.$ 上界

A.决策树

B.K近邻

C.贝叶斯分类器

D.支持向量机SVM