题目内容（请给出正确答案）

[单选]

假如我们使用Lasso回归来拟合数据集，该数据集输入特征有100个（X1，X2，...，X100）。现在，我们把其中一个特征值扩大10倍（例如是特征X1），然后用相同的正则化参数对Lasso回归进行修正。那么，下列说法正确的是（）。

A、特征X1很可能被排除在模型之外

B、特征X1很可能还包含在模型之中

C、无法确定特征X1是否被舍

D、以上答案都不正确

查看答案

更多“假如我们使用Lasso回归来拟合数据集，该数据集…”相关的问题

第1题

如果我使用数据集的全部特征并且能够达到100%的准确率，但在测试集上仅能达到70%左右，这说明模型欠拟合。（）

正确

错误

点击查看答案

第2题

利用数据集GPA1.RAW。（i)利用OLS估计一个将colGPA与hsGPA，ACT，skipped和PC相联系的模型。求OLS
利用数据集GPA1.RAW。
(i)利用OLS估计一个将colGPA与hsGPA，ACT，skipped和PC相联系的模型。求OLS残差。
(ii)计算异方差性的怀特检验特殊情形。在对colGPA，和colGPA，的回归中，求拟合值。
(iii)验证第(ii)部分得到的拟合值都严格为正。然后利用权数1/h求加权最小二乘估计值。根据对应的OLS估计值，将逃课和拥有计算机之影响的加权最小二乘估计值与对应OLS估计值相比较。它们的统计显著性如何？
(iv)在第(iii)部分的WLS估计中，求异方差-稳健的标准误。换言之，容许第(ii)部分中所估计的方差函数可能误设(参见问题8.4)。标准误与第(iii)部分相比有很大变化吗？

请帮忙给出正确答案和分析，谢谢！

点击查看答案

第3题

关于降维说法正确的是（）。

A、PA是根据方差这一属性降维的

B、降维可以防止模型过拟合

C、降维降低了数据集特征的维度

D、降维方法有PLA等

点击查看答案

第4题

一个回归模型存在多重共线问题。在不损失过多信息的情况下，可如何处理（）。

A、剔除所有的共线性变量

B、剔除共线性变量中的一个

C、通过计算方差膨胀因子（VarianceInflationFactor，VIF）来检查共线性程度，并采取相应措施

D、删除相关变量可能会有信息损失，我们可以不删除相关变量，而使用一些正则化方法来解决多重共线性问题，例如Ridge或Lasso回归

点击查看答案

第5题

选择样本数据时，我们一般采用随机抽取的方式组成自己的训练集和测试集来使用（）

是

否

点击查看答案

第6题

利用BARIUM.RAW中的数据。（i)用前119次观测（即不包含1988年的最后12个月观测)，估计线性趋势模
利用BARIUM.RAW中的数据。
(i)用前119次观测(即不包含1988年的最后12个月观测)，估计线性趋势模型

。这个回归的标准误是什么？
(ii)同样用除了最后12个月以外的所有数据，估计chnimp的一个AR(1)模型。把这个回归的标准误与第(i)部分中的标准误相比较。哪一个模型提供了更好的样本内拟合？
(iii)用第(i)和第(ii)部分中的模型计算1988年12个月的提前一期预测误差。(每个方法都应该得到12个预测误差。)计算并比较这两种方法的RMSE和MAE。就样本外提前一期预测而言，哪种方法效果更好？
(iv)在第(i)部分的回归中添加月度虚拟变量。它们是联合显著的吗？(当我们检验联合显著性时，不必担心误差中轻度的序列相关。)

请帮忙给出正确答案和分析，谢谢！

点击查看答案

第7题

我们想要训练一个ML模型，样本数量有100万个，特征维度是5000，面对如此大数据，如何有效地训练模型（）。

A、对训练集随机采样，在随机采样的数据上建立模型

B、尝试使用在线机器学习算法

C、使用PCA算法减少特征维度

点击查看答案

第8题

我们想要减少数据集中的特征数，即降维.选择以下适合的方案：（）。

A、使用前向特征选择方法

B、使用后向特征排除方法

C、我们先把所有特征都使用，去训练一个模型，得到测试集上的表现.然后我们去掉一个特征，再去训练，用交叉验证看看测试集上的表现.如果表现比原来还要好，我们可以去除这个特征

D、查看相关性表，去除相关性最高的一些特征

点击查看答案

第9题

利用PHILLIPS.RAW中的数据回答本题。（i)利用整个数据集，用OLS估计静态菲利普斯曲线方程并以
利用PHILLIPS.RAW中的数据回答本题。
(i)利用整个数据集，用OLS估计静态菲利普斯曲线方程

并以常用形式报告结果。
(ii)从第(i)部分中求OLS残差u_t并通过u_t对u_t-1的回归中求出p。(在这个回归中包含一个截距项没问题。)有序列相关的强烈证据吗？
(iii)现在通过迭代普莱斯-温斯顿程序估计静态菲利普斯曲线模型。将β₁的估计值与表12.2中得到的估计值相比较。添加以后的年份，估计值有很大变化吗？
(iv)不用普莱斯-温斯顿检验，而是使用迭代科克伦-奥卡特检验。p的最终估计值有多相似？β₁的PW和CO估计值有多相似？

请帮忙给出正确答案和分析，谢谢！

点击查看答案

第10题

假设我们拥有一个已完成训练的、用来解决车辆检测问题的深度神经网络模型，训练所用的数据集由汽车和卡车的照片构成，而训练目标是检测出每种车辆的名称（车辆共有10种类型）。现在想要使用这个模型来解决另外一个问题，问题数据集中仅包含一种车（福特野马）而目标变为定位车辆在照片中的位置（）。

A、除去神经网络中的最后一层，冻结所有层然后重新训练

B、对神经网络中的最后几层进行微调，同时将最后一层（分类层）更改为回归层

C、使用新的数据集重新训练模型

D、所有答案均不对

点击查看答案

第11题

利用数据集401KSUBS.RAW。（i)利用OLS估计e401k的一个线性概率模型，解释变量为inc，inc²，age，a
利用数据集401KSUBS.RAW。
(i)利用OLS估计e401k的一个线性概率模型，解释变量为inc，inc²，age，age²和male。求通常的OLS标准误和异方差-稳健的标准误。它们有重要差别吗？
(iii)对第(i)部分估计的模型求怀特检验，并分析系数估计值是否大致对应于第(ii)部分中描述的理论值。
(iv)在验证了第(i)部分的拟合值都介于0和1之间后，求这个线性概率模型的加权最小二乘估计值。它们与OLS估计值有重大差别吗？

请帮忙给出正确答案和分析，谢谢！

点击查看答案

搜题

如果结果不匹配，请联系老师获取答案