题目内容

下面的一段python程序，其目的是显示下面的哪一种函数的图形？ import numpy as npimport matplotlib.pyplot as pltplt.figure()plt.axis([-6, 6, 0, 1])plt.grid(True)X = np.arange(-6,6,0.1)y = 1 / (1 + np.e ** (-X))plt.plot(X, y, 'b-')plt.show()

A. tanh
B. ELU
C. sigmoid
D. ReLU

查看答案

搜索结果不匹配？点我反馈

更多问题

机器学习（深度学习）系统中通常将数据集划分为训练集和测试集，其中被用来学习得到系统的参数取值的是

A. 训练集(training set)
B. 测试集(testing set)
C. 训练集(training set)和测试集(testing set)
D. 其它选项都不对

查看答案

测试集(testing set)用于最终报告模型的评价结果，因此在训练阶段测试集中的数据一般是否可以出现在训练集中？

A. 不可以
B. 可以

查看答案

K折交叉验证通常将数据集随机分为k个子集。下列关于K折交叉验证说法错误的是

A. 每次将其中一个子集作为测试集，剩下k-1个子集作为训练集进行训练
B. 每次将其中一个子集作为训练集，剩下k-1个子集作为测试集进行测试
C. 划分时有多种方法，例如对非平衡数据可以用分层采样，就是在每一份子集中都保持和原始数据集相同的类别比例
D. 留一法即k=1的k折交叉验证。留一法计算最繁琐，但样本利用率最高。适合于小样本的情况

查看答案

已知如下定义：True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。则下面定义正确的是：

A. 分类准确率 Accuracy=(TP+TN)/(P+N)
B. 精确率 Precision=TP/(TP+FP)
C. 召回率 Recall=TP/P
D. 以上都不对

查看答案

下面的一段python程序，其目的是显示下面的哪一种函数的图形？ import numpy as npimport matplotlib.pyplot as pltplt.figure()plt.axis([-6, 6, 0, 1])plt.grid(True)X = np.arange(-6,6,0.1)y = 1 / (1 + np.e ** (-X))plt.plot(X, y, 'b-')plt.show()

A. tanh B. ELU C. sigmoid D. ReLU

机器学习（深度学习）系统中通常将数据集划分为训练集和测试集，其中被用来学习得到系统的参数取值的是

测试集(testing set)用于最终报告模型的评价结果，因此在训练阶段测试集中的数据一般是否可以出现在训练集中？

K折交叉验证通常将数据集随机分为k个子集。下列关于K折交叉验证说法错误的是

A. tanh
B. ELU
C. sigmoid
D. ReLU