您可以应用这两种算法。在逐步向前选择中，您将从预测开始一次添加一个模型的预测，如果这样提高了整体的精度。在逐步向后消除中，你将从全部特征开始并且一个一个的移除模型预测，如果在移除模型的预测后提高了精度。

　　34

　　假设，您想要应用逐步前向选择方法来为集成建模选择最好的模型。以下哪项是正确的步骤顺序？

　　注意：您有超过1000个模型预测

　　1.向集成中一个一个的添加模型预测（或者取平均值），这样提高了验证集中的指标

　　2.从空集成开始

　　3.从具有验证集合的最大性能的嵌套集合中返回集成

　　A. 1-2-3

　　B. 1-3-4

　　C. 2-1-3

　　D.以上都不是

　　解决方案：（C）

　　选项C是正确的。

　　35

　　【判断】相比之Bagging，Dropout是计算复杂的方法

　　A．正确

　　B．错误

　　解决方案：（B）

　　因为在Dropout中，权重是共享的，并且子网络的集成是一起训练的。

　　36

　　Dropout在神经网络中可以被认为是一个集成技术，其中多个

　　子网络通过“丢弃”神经元之间的某些连接而一起训练。

　　假设，我们有一个单一的隐层神经网络如下所示。

　　有多少种子网络的组合可以用于分类？

　　A. 1

　　B. 9

　　C. 12

　　D. 16

　　E. None of the above（以上都不是）

　　解析：（B）

　　有16种可能的组合，其中只有9种是可行的。不可行的是（6,7,12,13,14,15,16）。

　　37

　　模型能力是如何影响随机失活率(dropout rate)的（其中模型能力意味着神经网络近似复杂函数的能力）？

　　A.模型能力随随机失活率的增加而增加

　　B.模型能力随随机失活率的增加而减少

　　C.模型能力不受随机失活率增加的影响

　　D.以上都不是

　　解析：（B）

　　当退出率较低时，子网络有更多的神经元。 因此它们更复杂，也导致总体模型复杂性的增加。参考DL book的第11章（）。

　　38

　　可以调整以下哪些参数来找到好的基于算法的集成模型Bagging？

　　1.最大样本数

　　2.最大特征

　　3.样品引导

　　4.特征引导

　　A. 1和3

　　B. 2和4

　　C. 1,2和3

　　D. 1,3和4

　　E.以上所有

　　解析：（E）

　　在选项中给出的所有技术都可以应用以获得好的集成。

　　39

　　在机器学习中，如果训练数据的一个小变化导致学习中的分类器的大变化，则该算法（或学习算法）被认为是不稳定的。

　　判断：对不稳定的分类器做Bagging是一个好主意。

　　A．正确

　　B．错误

　　解析：（A）

　　参考该论文的介绍部分（）

　　40

　　假设有25个基分类器，每个分类器具有e = 0.35的错误率。

　　假设您使用平均作为集成技术。上述25个分类器的集成将会做出错误的预测的概率是多大？

　　注意：所有分类器都是相互独立的

　　A. 0.05

　　B. 0.06

　　C. 0.07

　　D. 0.09

　　解析：B

　　解析：参考这个链接（）

　　总体结果

　　答完所有题目得分如何？下图是所有测试者分数的分布情况图，这将有助于您评估您的表现：

　　你可以通过这里评估你的表现。超过230人参加了这项技能测试，其中最高分是31分。下面是一些关于分布情况的统计。

　　??总体分布：

　　平均分：17.54

　　中位数：18

　　众数：21

　　??还要以下一些有用的资源：

　　每个人都应该知道的5个关于集成建模的简单问题

　　https://www.analyticsvidhya.com/blog/2015/09/questions-ensemble-modeling/

　　集成建模中选择正确模型的“技巧”

　　https://www.analyticsvidhya.com/blog/2015/10/trick-right-model-ensemble/

　　用简单的英语解释集成学习的基础知识

　　https://www.analyticsvidhya.com/blog/2015/08/introduction-ensemble-learning/

　　结束语

　　我希望你能享受参加这个测试，并且希望解析对你能有帮助。这个测试主要集中在集成建模的概念和集合建模的实践知识。