不适合分类问题的评价指标是

A. precision
B. accuracy
C. F1-measure
D. RMSE均方误差

不适合回归问题的评价指标是

A. precision
B. 均不适合
C. MAE
D. RMSE均方误差

人工智能中，新的方法经常需要和基线的方法（可理解为最基本、简单的方法）比较。下列哪个适合作为回归问题的基线方法

A. SVM
B. 线性回归
C. KNN
D. logistic回归

人工智能中，新的方法经常需要和基线的方法（可理解为最基本、简单的方法）比较。下列哪个适合作为回归问题的基线方法

A. 线性回归
B. 多项式回归
C. 回归SVM
D. logistic回归

梯度下降算法中，梯度下降很慢的原因您运行梯度下降 15 次迭代，α=0.3 并在每次迭代后计算 J(θ)。 您会发现 J(θ) 的值缓慢下降，并且在 15 次迭代后仍在下降。 基于此，以下哪个结论似乎最可信？

A. 调整α=1.0，增加
B. α=0.3 是一个合适的学习率
C. 调整α=0.1，减小

最小二乘，解析方法：m=14个训练集 n=3 特征 对于解析方法 θ=(XTX)−1XTy. θ, X, y 维数？

A. X 14×3, y 14×1, θ 3×3
B. X 14×4, y 14×1, θ 4×1
C. X 14×3, y 14×1, θ 3×1
D. X 14×4, y 14×4, θ 4×4

解析方法还是梯度下降方法？假设您有一个数据集，其中m=50个示例，每个示例有n=200000个特征。在使用多元线性回归将参数θ拟合到我们的数据中。你喜欢梯度下降法还是解析的方法？

A. 解析方法，因为它提供了一种直接找到解的有效方法。
B. 解析方法，因为梯度下降不一定能达到最优的参数 θ.
C. 梯度下降，因为能收敛到最优的θ.
D. 梯度下降，因解析方法中举证求逆的运算量太大了

梯度下降算法中，梯度下降很快，但不能收敛到最优点的原因您运行梯度下降 15 次迭代，α=10 并在每次迭代后计算 J(θ)。 您会发现 J(θ) 的值下降很快，但不能收敛到最优点的原因

A. 调整α=20，增加
B. α=10 是一个合适的学习率
C. 调整α=0.1，减小

解析方法还是梯度下降方法？假设您有一个数据集，其中m=50个示例，每个示例有n=200000个特征。在使用多元线性回归将参数θ拟合到我们的数据中。关于梯度下降法还是解析的方法描述不正确的是

A. 解析方法一种直接找到解的有效方法。
B. 梯度下降的目标函数不能保证是凸的
C. 梯度下降 收敛到接近最优的θ.
D. 解析方法中举证求逆的运算量太大了

随机梯度下降算法是神经网络和回归算法中最常用的调参算法，对于单变量线性回归，假定参数为w和b（截距），写出随机梯度下降算法中w和b迭代更新的公式表示。