29. 有以下 7 副散点图（从左到右分别编号为 1-7），你需要比较每个散点图的变量之间的皮尔逊相关系数。下面正确的比较顺序是？

1<2<3<4

1>2>3 > 4

7<6<5<4

7>6>5>4

A. 1 和 3

B. 2 和 3

C. 1 和 4

D. 2 和 4

30. 你可以使用不同的标准评估二元分类问题的表现，例如准确率、log-loss、F-Score。让我们假设你使用 log-loss 函数作为评估标准。下面这些选项，哪个／些是对作为评估标准的 log-loss 的正确解释。

如果一个分类器对不正确的分类很自信，log-loss 会严重的批评它。

对一个特别的观察而言，分类器为正确的类别分配非常小的概率，然后对 log-loss 的相应分布会非常大。

3.log-loss 越低，模型越好。

A.1 和 3

B.2 和 3

C.1 和 2

D.1、2、3

答案为（D）：答案无需解释。

问题 31-32 背景：下面是数据集给出的 5 个样本。

注意：图像中点之间的视觉距离代表实际距离。

31. 下面哪个是 3-NN（3-最近邻）的留一法交叉验证准确率？

A.0

B.0.4

C.0.8

D.1

答案为（C)：留一法交叉验证，我们将选择（n-1) 观察值作为训练，以及验证的 1 观察值。把每个点作为交叉验证点，然后找到 3 个最近邻点。所以，如果你在每个点上重复该步骤，你会为上图中给出的所有正类找到正确的分类，而错误分类负类。因此，得到 80% 的准确率。

32. 下面哪个 K 值将会有最低的差一法（leave-one-out）交叉验证精确度？

A. 1NN

B. 3NN

C. 4NN

D. 以上所有具有相同的差一法错误

答案（A）：在 1-NN 中，被错误分类的每一个点都意味着你将得到 0% 的精确度。

33. 假设你被给到以下数据，你想要在给定的两个类别中使用 logistic 回归模型对它进行分类。你正在使用带有 L1 正则化的 logistic 回归，其中 C 是正则化参数，w1 和 w2 是 x1 和 x2 的系数。当你把 C 值从 0 增加至非常大的值时，下面哪个选项是正确的？

A. 第一个 w2 成了 0，接着 w1 也成了 0

B. 第一个 w1 成了 0，接着 w2 也成了 0

C. w1 和 w2 同时成了 0

D. 即使在 C 成为大值之后，w1 和 w2 都不能成 0

答案（B）：通过观察图像我们发现，即使只使用 x2，我们也能高效执行分类。因此一开始 w1 将成 0；当正则化参数不断增加时，w2 也会越来越接近 0。

34. 假设我们有一个数据集，在一个深度为 6 的决策树的帮助下，它可以使用 100% 的精确度被训练。现在考虑一下两点，并基于这两点选择正确的选项。

注意：所有其他超参数是相同的，所有其他因子不受影响。

深度为 4 时将有高偏差和低方差

深度为 4 时将有低偏差和低方差

A. 只有 1

B. 只有 2

C. 1 和 2

D. 没有一个

答案（A)：如果在这样的数据中你拟合深度为 4 的决策树，这意味着其更有可能与数据欠拟合。因此，在欠拟合的情况下，你将获得高偏差和低方差。

35. 在 k-均值算法中，以下哪个选项可用于获得全局最小？

尝试为不同的质心（centroid）初始化运行算法

调整迭代的次数

找到集群的最佳数量

A. 2 和 3

B. 1 和 3

C. 1 和 2

D. 以上所有

答案（D）：所有都可以用来调试以找到全局最小。