例如，对于模型（M1，M2和M3）的第一次观察的输出为1，1，0，如果对这三个模型预测取多数投票，那么类别1将获得2票，这意味着该观察属于类别1。

　　23

　　当使用加权投票方法时，下列哪一个将是输出集成建模？

　　提示：M1，M2和M3的投票数分别为自身的2.5倍，6.5倍和3.5倍。

　　A.

　　B.

　　C.

　　D. None of these（以上都不是）

　　解决方案：（C）

　　参考问题20, 21和22中的步骤操作。

　　24

　　以下哪项关于堆叠(stacking)的说法是正确的？

　　1.在多个机器学习模型的预测上训练机器学习模型

　　2.与分类方法相比，逻辑回归在第二阶段肯定会做的更好

　　3.第一阶段模型在训练数据的全部/部分特征空间上训练

　　A.1和2

　　B. 2和3

　　C. 1和3

　　D.以上所有

　　解析：（C）

　　1.在堆叠中，在多个基础模型的预测上训练一个机器学习模型。

　　2.没有必要 - 我们可以使用不同的算法来聚合结果。

　　3.第一阶段模型在所有的原始特征上训练。

　　25

　　以下哪一项是堆叠的优势？

更强大的模型

更好的预测

执行时间的缩减

和2

和3

和3

以上所有

　　解析：（A）

　　选项1和2是堆叠的优点，而选项3不正确，因为堆积需要更多的时间

　　26

　　以下哪个图表示堆叠？

　　A.

　　B.

C. None of these（以上都不是）

　　解析：（A）

　　A是正确的，因为它通过在d1，d2和dL的输出上应用函数f来聚合基本模型的结果。

　　27

　　以下哪一个选项可能是堆叠的步骤之一？

　　1.将训练数据分成k个折叠

　　2.在每个k-1折叠上训练k个模型，并对剩余的一个得到折叠预测

　　3.将测试数据集合分成k个折叠，并通过不同的算法获得每个折叠的预测

　　A. 1和2

　　B. 2和3

　　C. 1和3

　　D.以上所有

　　解决方案：（A）

　　第三个选项不正确，因为我们不会在堆叠中为测试数据创建折叠。

　　28

　　以下哪项是堆叠和混合之间的区别？

　　A.与混合相比，堆叠具有较不稳定的CV

　　B.在混合中，你可以创建不折叠预测

　　C．堆叠比混合更简单

　　D.以上都不是

　　解析：（D）

　　只有选项D是正确的。

　　29

　　假设您使用n个具有k个折叠数据的不同的机器学习算法的堆叠。

　　以下哪项关于一个级别（m个基本型号+ 1个堆叠器）堆叠是正确的？

　　注意：

　　在这里，我们正在研究二分类问题

　　所有基本模型都在所有特征上训练

　　您正在使用基本模型的k折叠

　　A.在第一阶段后你将只有k个特征

　　B.在第一阶段后你将只有m个特征

　　C.在第一阶段后你将有k + m个特征

　　D.在第一阶段后你将有k * n个特征

　　E.以上都不是

　　解决方案：（B）

　　如果你有m个基础模型在堆叠。这将为第二阶段模型生成m个特征。

　　30

　　关于装袋，以下哪项是真的？

　　1.bagging可以并行化

　　2.bagging的目的是减少偏差而不是方差

　　3.bagging有助于减少过度拟合

　　A. 1和2

　　B. 2和3

　　C. 1和3

　　D.以上所有

　　解析：（C）

　　1.在bagging中，基模型不依赖于彼此，因此可以平行

　　2-3 bagging适用于高方差低偏差模型，或者你可以说是复杂模型。

　　31

　　【判断】在boosting中，独立的基础学习者是可以平行的。

　　A．正确

　　B．错误

　　解析：（B）

　　在boosting中，你总是试图添加新模型以纠正先前模型的弱点。因此它是顺序的。

　　32

　　以下是两个集成建模：

　　1. E1（M1，M2，M3）

　　2. E2（M4，M5，M6）

　　上面的Mx是独立的基本模型。

　　如果对E1和E2给出以下条件，则下列哪一项更有可能被选择？

　　E1：基模型精度高，但模型具有相同的类型或者说是低多样化

　　E2：基模型的准确性很高，但它们具有不同的类型或者说是高多样化

　　A. E1

　　B. E2

　　C.E1和E2中的任一个

　　D.以上都不是

　　解析：（B）

　　我们必须选择E2，因为它包含多种模型。所以选项B是正确的。

　　33

　　假设，你有2000个不同的模型和他们的预测，并且你想要集成最佳x模型的预测。现在，下列哪一项是用来选择最佳的x模型的可能的方法？

　　A.逐步向前选择

　　B.逐步向后消除

　　C.以上两者

　　D.以上都不是

　　解析：（C）