A.数据规范化
B.数据插补
C.特征选择
D.数据清洗

A.K-均值算法
B.主成分分析（PCA）
C.决策树
D.随机森林

A.模型过于简单，无法捕捉数据中的模式
B.模型过于复杂，对训练数据过度敏感
C.模型的准确度非常高
D.模型的泛化能力很强

A.零频率问题
B.缺失数据
C.连续变量
D.异常值

A.对异常值敏感
B.等权重地考虑所有特征
C.适应性地调整弱学习器的权重
D.只能用于分类问题

A.两个概率分布的相似性
B.模型的准确度
C.数据的方差
D.数据的偏态

A.提高模型的训练速度
B.结合不同模型的优势
C.降低模型的复杂性
D.减少过拟合的风险

A.线性回归问题
B.非线性优化问题
C.逻辑回归问题
D.聚类问题

A.基于装袋的集成
B.基于提升的集成
C.基于堆叠的集成
D.基于特征选择的集成

A.数据的相关性
B.数据的分布和异常值
C.数据的平均值和标准差
D.数据的频数分布

A.加速计算过程
B.提供约束条件的解决方法
C.简化目标函数
D.改善梯度下降的稳定性