testszy

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 练习进度 0 / 0

随机练习 自定义设置练习量

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

解释机器学习中的偏差-方差权衡，并说明如何平衡两者。

简述深度学习中的注意力机制原理及其优势。

说明机器学习中特征选择的主要方法及其适用场景。

解释深度学习中的迁移学习及其在实际应用中的价值。

简述机器学习模型部署的主要步骤及注意事项。

你是某电商平台的数据分析师，需要根据客户的购买行为数据进行客户细分。数据集customer_behavior.csv包含客户的年度购买金额、购买频率、平均订单价值等特征，但没有预定义类别标签。你需要使用K-means聚类算法对客户进行分群，并分析不同客户群体的特征。数据集包含以下特征：Annual_Spending、Purchase_Frequency、Avg_Order_Value、Tenure_Months。 import pandas as pd import numpy as np from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler import matplotlib.pyplot as plt from sklearn.metrics import silhouette_score # 1. 读取数据 data = pd.read_csv('customer_behavior.csv') # 2. 查看数据基本信息 print("数据基本信息:") print(data.______) # 填空1：查看数据统计摘要 print("\n数据形状:", data.shape) # 3. 特征标准化 scaler = StandardScaler() X_scaled = scaler.______(data) # 填空2：对数据进行标准化 # 4. 使用肘部法则确定最佳聚类数 inertia = [] k_range = range(1, 11) for k in k_range: kmeans = KMeans(n_clusters=k, random_state=42, n_init=10) kmeans.fit(X_scaled) inertia.append(kmeans.______) # 填空3：获取簇内误差平方和 # 5. 绘制肘部图 plt.figure(figsize=(10, 6)) plt.plot(k_range, inertia, 'bo-') plt.xlabel('Number of Clusters (k)') plt.ylabel('Inertia') plt.______('Elbow Method for Optimal k') # 填空4：设置图表标题 plt.grid(True, alpha=0.3) plt.show() # 6. 选择最佳聚类数（根据肘部法则选择k=3） optimal_k = 3 kmeans = KMeans(n_clusters=optimal_k, random_state=42, n_init=10) cluster_labels = kmeans.fit_predict(X_scaled) # 7. 计算轮廓系数评估聚类效果 silhouette_avg = silhouette_score(______, cluster_labels) # 填空5：计算轮廓系数 print(f"\n轮廓系数（聚类效果评估）: {silhouette_avg:.4f}") # 8. 将聚类标签添加到原始数据 data['Cluster'] = # 填空6：将聚类标签添加到原始数据 # 9. 分析每个簇的特征 cluster_summary = data.groupby('Cluster').agg( ('Annual_Spending', 'mean'), ('Purchase_Frequency', 'mean'), ('Avg_Order_Value', 'mean'), ('Tenure_Months', 'mean') ).round(2) print("\n各簇特征平均值:") print(cluster_summary) # 10. 可视化聚类结果（前两个特征的散点图） plt.figure(figsize=(10, 8)) # 填空8：指定画布的宽度为10英寸，高度为8英寸 scatter = plt.scatter(data['Annual_Spending'], data['Purchase_Frequency'], c=data['Cluster'], cmap='viridis', s=50, alpha= # 填空9：设置透明的为70% plt.xlabel('Annual Spending') plt.ylabel('Purchase Frequency') plt.colorbar(scatter, label='Cluster') plt.title('Customer Clusters Visualization') plt.grid(True, alpha=0.3) # 标注聚类中心 centers = scaler.inverse_transform(kmeans.cluster_centers_) plt.scatter(______, centers[:, 1], c='red', s=200, alpha=0.8, marker='X', label='Cluster Centers') # 填空10 设置X轴坐标：提取所有聚类中心的第1个特征值中心数据 plt.legend() plt.show()

你是植物研究所的AI研究员，需要构建一个鸢尾花分类模型。鸢尾花数据集包含三个品种（山鸢尾、变色鸢尾、维吉尼亚鸢尾），每个样本有4个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度）。你需要使用支持向量机(SVM)算法构建多分类模型，并评估模型性能。数据集：iris_dataset.csv，包含列：sepal_length、sepal_width、petal_length、petal_width、species。 import pandas as pd import numpy as np from sklearn.svm import SVC from sklearn.model_selection import train_test_split, cross_val_score from sklearn.preprocessing import LabelEncoder from sklearn.metrics import confusion_matrix, classification_report import matplotlib.pyplot as plt【缺少答案，请补充】

可视化聚类结果（前两个特征的散点图） plt.figure(figsize=( , )) # 填空8：指定画布的宽度为10英寸，高度为8英寸 scatter = plt.scatter(data['Annual_Spending'], data['Purchase_Frequency'], c=data['Cluster'], cmap='viridis', s=50, alpha= ) # 填空9：设置透明的为70% plt.xlabel('Annual Spending') plt.ylabel('Purchase Frequency') plt.colorbar(scatter, label='Cluster') plt.title('Customer Clusters Visualization') plt.grid(True, alpha=0.3) # 标注聚类中心 centers = scaler.inverse_transform(kmeans.cluster_centers_) plt.scatter( , centers[:, 1], c='red', s=200, alpha=0.8, marker='X', label='Cluster Centers') # 填空10 设置X轴坐标：提取所有聚类中心的第1个特征值中心数据 plt.legend() plt.show()

读取数据 data = pd.read_csv( ) # 填空1：读取数据

查看数据结构 print("数据基本信息:") print(data.describe()) print("\n数据形状:", data. ) # 填空2：查看数据维度

处理类别变量 encoder = LabelEncoder() data['species_encoded'] = encoder.fit_transform( ) # 填空3：编码类别列

分离特征和目标变量 X = data.drop(['species', 'species_encoded'], axis= ) # 填空4：删除类别列 y = data['species_encoded']

划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.25, random_state=42, stratify= ) # 填空5：按目标变量分层抽样

创建SVM分类器 model = SVC( kernel='rbf', C=1.0, gamma='scale', random_state= ) # 填空6：设置随机种子

训练模型 model. (X_train, y_train) # 填空7：训练模型

进行预测 y_pred = model.predict(X_test)

评估模型 from sklearn.metrics import accuracy_score accuracy = accuracy_score(y_test, y_pred) print(f"\n模型准确率: {accuracy:.4f}")

交叉验证评估 cv_scores = cross_val_score(model, X, y, cv=5, scoring='accuracy') print(f"交叉验证平均准确率: {cv_scores.:.4f}") # 填空8：计算平均值

绘制混淆矩阵 cm = confusion_matrix(y_test, y_pred) plt.figure(figsize=(8, 6)) sns. (cm, annot=True, fmt='d', cmap='Blues') # 填空9：绘制热力图 plt.title('Confusion Matrix - Iris Classification') plt.ylabel('True Label') plt.xlabel('Predicted Label') plt.show()

显示分类报告 print("\n分类报告:") print(classification_report(y_test, y_pred, target_names=encoder.classes_))【缺少答案，请补充】

可视化决策边界（使用前两个特征） from sklearn.decomposition import PCA # 降维到2维以便可视化 pca = PCA(n_components=2) X_pca = pca.fit_transform(X) # 在降维后的数据上重新训练模型 model_2d = SVC(kernel='rbf', C=1.0, gamma='scale', random_state=42) model_2d.fit(X_pca, y) # 创建网格点 x_min, x_max = X_pca[:, 0].min() - 1, X_pca[:, 0].max() + 1 y_min, y_max = X_pca[:, 1].min() - 1, X_pca[:, 1].max() + 1 xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02)) # 预测每个网格点的类别 Z = model_2d.predict(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) # 绘制决策边界 plt.figure(figsize=(10, 8)) plt.contourf(xx, yy, Z, alpha=0.3, cmap='viridis') scatter = plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y, cmap='viridis', s=50, edgecolor='k') plt.xlabel('Principal Component 1') plt.ylabel('Principal Component 2') plt.colorbar(scatter, label='Species') plt. ('SVM Decision Boundary Visualization') # 填空10：设置图表标题 plt.show()

读取数据 data = pd.read_csv( ) # 填空1：读取数据

查看数据结构 print("数据形状:", data.shape) print("\n数据类型:") print(data.dtypes)

分离特征和目标变量 X = data. ('MEDV', axis=1) # 填空2：删除目标列 y = data['MEDV']

处理缺失值 print("\n缺失值统计:") print(X. ().sum()) # 填空3：检查缺失值 X = X.fillna(X.mean())

特征标准化 scaler = StandardScaler() X_scaled = .fit_transform(X) # 填空4：对特征进行标准化

划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split( X_scaled, y, test_size=0.2, random_state=42 )

创建线性回归模型 model = LinearRegression()

训练模型 model. (X_train, y_train) # 填空5：训练模型

进行预测 y_pred = model. (X_test) # 填空6：对测试集进行预测

评估模型 mae = mean_absolute_error( , y_pred) # 填空7：计算平均绝对误差 r2 = r2_score(y_test, y_pred) print(f"\n模型评估结果:") print(f"平均绝对误差(MAE): {mae:.2f}") print(f"决定系数(R²): {r2:.4f}")

获取模型系数 coefficients = pd.DataFrame({ 'feature': X.columns, 'coefficient': model. # 填空8：获取模型系数 }) coefficients['abs_coefficient'] = np.abs(coefficients['coefficient']) print("\n特征系数（绝对值前5）:") print(coefficients.sort_values('abs_coefficient', ascending=False).head())

绘制预测值与真实值对比图 plt.figure(figsize=(10, 6)) plt.scatter(y_test, y_pred, alpha=0.6, color='blue') plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'r-', lw=2) plt. ('Actual Price') # 填空9：设置X轴标签 plt.ylabel('Predicted Price') plt.title('Boston Housing Price: Actual vs Predicted') plt.grid(True, alpha=0.3) plt.show()

保存模型 joblib. # 填空10 joblib.dump(model, 'boston_price_model.pkl') joblib.dump(scaler, 'boston_scaler.pkl') print("\n模型已保存!")

读取数据 df = ______('credit_card_fraud.csv')

查看数据基本信息 print("数据形状:", df.shape) print("\n类别分布:") print(df['Class'].value_counts())

分离特征和目标变量 X = df.drop(['Time', 'Amount', 'Class'], axis=1) y = df[______]

特征标准化（对数值型特征） scaler = RobustScaler() X[['Amount']] = scaler.______(X[['Amount']])

划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.3, random_state=42, stratify=y )

处理类别不平衡（使用SMOTE过采样） smote = SMOTE(random_state=42) X_train_resampled, y_train_resampled = smote.______(X_train, y_train)

创建逻辑回归模型 model = LogisticRegression( penalty='l2', C=1.0, max_iter=1000, random_state=42, class_weight=______ )

训练模型 model.______(X_train_resampled, y_train_resampled)

进行预测 y_pred = model.predict(X_test) y_pred_proba = model.predict_proba(X_test)[:, 1]

评估模型 print("\n=== 模型评估结果 ===") print(classification_report(y_test, y_pred)) roc_auc = roc_auc_score(y_test, y_pred_proba) print(f"ROC-AUC 分数: {roc_auc:.4f}")

绘制混淆矩阵 cm = confusion_matrix(y_test, y_pred) plt.figure(figsize=(8, 6)) sns.heatmap(cm, annot=True, fmt='d', cmap='Reds') plt.title('______ - Fraud Detection') plt.ylabel('Actual') plt.xlabel('Predicted') plt.show()

绘制ROC曲线 from sklearn.metrics import roc_curve fpr, tpr, thresholds = roc_curve(y_test, y_pred_proba) plt.figure(figsize=(8, 6)) plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC Curve (AUC = {roc_auc:.3f})') plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--') plt.______('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver Operating Characteristic (ROC) Curve') plt.legend(loc='lower right') plt.grid(True, alpha=0.3) plt.show()

特征重要性分析 feature_importance = pd.DataFrame({ 'feature': X.columns, 'coefficient': np.______(model.coef_[0]) }) feature_importance = feature_importance.sort_values('coefficient', ascending=False) print("\n=== 特征重要性（前5名） ===") print(feature_importance.______)

保存模型 import joblib joblib.dump(model, 'fraud_detection_model.pkl') print("\n模型已保存为 'fraud_detection_model.pkl'")

1 2 3 4 5

更多题库