A.数据集中缺失值的数量
B.模型中非零参数的数量
C.数据集的大小
D.模型的复杂性

A.估算统计量的不确定性
B.数据清洗和预处理
C.建立复杂的集成学习模型
D.进行特征选择

A.单个数据点
B.一组具有相似特征的数据点集合
C.数据的类别标签
D.数据的特征向量

A.减少模型的存储空间需求
B.加速收敛速度
C.提高模型的可解释性
D.降低过拟合风险

A.分类问题
B.回归问题中的多重共线性
C.高维数据的降维
D.解决非线性问题

A.数据可视化
B.降维
C.增加模型的预测力
D.建立概率模型

A.图像识别
B.语音识别
C.文本分类
D.社交网络分析

A.线性回归的残差
B.分类任务的先验概率
C.稀疏信号的重建
D.高斯混合模型的组成部分

A.分类算法
B.基于决策树的算法
C.非参数化回归算法
D.基于神经网络的算法

A.序列与其自身在不同时间点的相关程度
B.序列与另一序列的相关程度
C.序列均值的稳定性
D.序列的周期性模式

A.批量学习使用静态数据集，而在线学习使用动态数据集
B.在线学习比批量学习更容易过拟合
C.批量学习适用于大规模数据集，而在线学习适用于小规模数据集
D.在线学习可以实时更新模型，而批量学习不行