A. 朴素贝叶斯模型发源于古典数学理论,数学基础坚实 B. 朴素贝叶斯模型无需假设特征条件独立 C. 朴素贝叶斯处理过程简单,分类速度快 D. 朴素贝叶斯对小规模数据表现较好
A. 朴素贝叶斯模型 B. 混合高斯模型 C. 隐马尔科夫模型 D. 支持向量机
A. 避免了出现概率为0的情况 B. 加上拉普拉斯平滑有助于提高学习性能 C. 会使得最终结果可能大于1 D. 以上说法都不对
A. 先验概率 B. 后验概率 C. 联合概率 D. 以上说法都不对
A. 朴素贝叶斯模型 B. 深度信念网络 C. 隐马尔科夫模型 D. 线性回归
A. 算法逻辑简单,易于实现 B. 分类过程中时空开销小 C. 对缺失数据不太敏感,算法也比较简单,常用于文本分类 D. 朴素贝叶斯模型对输入数据的表达形式很敏感
A. 0.5 B. 0.24 C. 0.48 D. 0.3
A. 它是一个分类算法 B. 朴素的意义在于它的一个天真的假设:所有特征之间是相互独立的 C. 它实际上是将多条件下的条件概率转换成了单一条件下的条件概率,简化了计算 D. 朴素贝叶斯不需要使用联合概率
A. 1/11 B. 1/18 C. 1/6 D. 都不对
A. p(男|运动鞋)=0.25 B. p(女|运动鞋)=0.4 C. p(运动鞋|男性)=25/30 D. p(运动鞋|女性)=0.4
微信支付 
支付宝支付