凸函数、凸集集合范围内 任意两点的连线 不会超出集合范围以下哪个集合不是凸(convex)的?选C { (x, y) | (x -2)^2 + (y-2)^2 <= 2}空集合{x | ||x|| >= 1}， ||x||表示x的绝对值{(x, y) | x + y = 2}假设每天投稿池中，每1000个视频中会有1个营销号视频，为了净化社区环境，b站同事训练了一个检测营销号视频的模型。模型评估结果如下：如果某视频是营销号视频，就一定会被模型检测出来，但是如果某视频是正常视频，也会有1%的概率被误判成营销号视频。提问：现在有一个新投稿的视频，被模型判定成了营销号视频，那么它原本真正是营销号视频的概率是多少（）X:是否为营销号Y:预测为营销号 P(x=1) = 0.001P(x=0) = 0.999P(Y=1 | X=1 ) = 1P(Y=1 | X=0 ) = 0.01P(X=1 | Y=1) = P(Y=1|X=1)*P(x=1) / p(y=1)= 0.001/0.109= 0.09099P(Y=1) = P(Y=1 | X=1 )*P(x=1) + P(Y=1 | X=0 ) *P(x=0) =0.001 + 0.01*0.999= 0.001 + 0.0999= 0.109神经网络中的dropout的效果跟以下哪种机器学习方法的效果类似:BoostrapingBootstrap Method:在统计学中，Bootstrap从原始数据中抽取子集，然后分别求取各个子集的统计特征，最终将统计特征合并。例如求取某国人民的平均身高，不可能测量每一个人的身高，但却可以在10个省市，分别招募1000个志愿者来测量并求均值，最终再求取各省市的平均值
BaggingBagging(Bootstrap Aggregating):应用了 Bootstrap的思想，从Training Set抽取k次subset，分别用来训练k个单独的模型，然后用这k个模型来做预测。最终，如果是Regression问题，则Average k个模型的输出；如果是Classification问题，则进行Majority Vote。经过 bagging 得到的结果方差（variance）更小。Boosting
具体过程：通过加法模型将基础模型进行线性的组合。每一轮训练都提升那些错误率小的基础模型权重，同时减小错误率高的模型权重。在每一轮改变训练数据的权值或概率分布，通过提高那些在前一轮被弱分类器分错样例的权值，减小前一轮分对样例的权值，来使得分类器对误分的数据有较好的效果。样本选择上：Bagging：训练集是在原始集中有放回选取的，从原始集中选出的各轮训练集之间是独立的。Boosting：每一轮的训练集不变，只是训练集中每个样例在分类器中的权重发生变化。而权值是根据上一轮的分类结果进行调整。样例权重：Bagging：使用均匀取样，每个样例的权重相等Boosting：根据错误率不断调整样例的权值，错误率越大则权重越大。预测函数：Bagging：所有预测函数的权重相等。Boosting：每个弱分类器都有相应的权重，对于分类误差小的分类器会有更大的权重。并行计算：Bagging：各个预测函数可以并行生成Boosting：各个预测函数只能顺序生成，因为后一个模型参数需要前一轮模型的结果。Stacking一般来说，就是训练一个多层(一般是两层，本文中默认两层)的学习器结构，第一层(也叫学习层)用n个不同的分类器(或者参数不同的模型)将得到预测结果合并为新的特征集，并作为下一层分类器的输入
向量 A=[1, 3, 6, 4, -9, 0]的L1范数为L1范数（L1 norm）是指向量中各个元素绝对值之和1+3+6+4+9 = 23正则化是为了防止过拟合， 进而增强泛化能力L0范数是指向量中非0的元素的个数L1范数是指向量中各个元素绝对值之和 遵从拉普拉斯分布L2范数是指向量各元素的平方和然后求平方根遵从高斯分布不属于判别模型的算法是:生成方法由数据学习联合概率分布P(X,Y)，然后求出条件概率分布P(Y|X)作为预测的模型。即生成模型之所以称为生成方法，是因为模型表示了给定输入X产生输出Y的生成关系判别方法由数据直接学习决策函数f(X)或者条件概率分布P(Y|X)作为预测的模型，即判别模型。 典型的判别模型包括：KNN、感知机、决策树、线性回归、逻辑斯蒂回归模型、支持向量机、神经网络、boosting提升方法。现有6个相同的抽屉，一个小球等可能得存在于其中任何一个抽屉，也可能隐藏于抽屉之外(其概率为1/8)。一个人检查完前5个抽屉，都没有发现该小球，那么此时小球在第6个抽屉的概率是多少?假设A=小球在第6个抽屉的概率，B=小球不在前5个抽屉的概率。P(A)=P(AB)=(1-1/8)/6=7/48, P(B)=(1-1/8)/6+1/8=13/48, 所以P(A|B)=P(AB)/P(B)=7/13。有一观测数据集X:{x1, x2, ..., xn}, 假设其真实分布为N(μ，σ^2) 简记其为f(x); 现有一近似模型h(x), 以下说法正确的是:
贪心算法往往是这种自顶向下的设计，先做出一个选择，然后再求解下一个问题，而不是自底向上解出许多子问题，然后再做出选择
以下数据结构体在64位机器上占用的内存（sizeof(data)）是多少：
typedef struct _data{int id;char name[6];long long time;char add[4];}data64位机器会按8字节对齐 按8个字节为单位分配存储空间，如果不足，会自动补充，本次分配不足以存放下面的变量时，会重新分配空间int id 4字节char name[6] 6字节long long time 8字节char add[4] 4字节 4+6+6+8+4+4 = 32激活函数是为了引入非线性，故不可以是线性函数四种主要的遍历思想为：前序遍历：根结点 ---> 左子树 ---> 右子树中序遍历：左子树---> 根结点 ---> 右子树后序遍历：左子树 ---> 右子树 ---> 根结点层次遍历：只需按层次遍历即可已知一个二叉树树的前序遍历结果（ABCDEFGH）和中序遍历结果（CDBAGFEH），那么其后序遍历结果为第1个假设, 离群点要着重考虑, 第一点是对的第2个假设, 正态分布不是必须的. 当然, 如果是正态分布, 训练效果会更好第3个假设, 有少量的多重线性相关性也是可以的, 但是我们要尽量避免
