本文我们主要讲解以下几个知识点：线性规划、评估指标、伴随矩阵、过拟合以及判别模型与生成模型等知识点。
- 设线性规划的约束条件为：
则基本可行解为 （）
A.(0, 0, 4, 3)
B.(3, 4, 0, 0)
C.(2, 0, 1, 0)
D.(3, 0, 4, 0)
参考答案：C
解析： 这道题简单的做法就是直接代入即可。
2.在下面的数学模型中，属于线性规划模型的（）
A.
B.
C.
D.
参考答案：B
解析：这道题的考点主要在于什么是线性规划，尤其是线性2字。线性就是指的是最普通的式子，只包含未知数之间只有加减的线性操作的式子。它是区别指数式等其他形式的说法。因此在目标函数和约束条件内，都不能有未知数之间的乘法。因此答案为B。
3.二分类任务中，有三个分类器h1,h2,h3，三个测试样本x1,x2,x3。假设1表示分类结果正确，0表示错误，h1在x1,x2,x3的结果分别(1,1,0)，h2,h3分别为(0,1,1)，(1,0,1)，按投票法集成三个分类器，下列说法正确的是（）
A. 集成提高了性能
B. 集成没有效果
C. 集成降低了性能
D. 集成效果不能确定
参考答案：A
解析：这道题三个注意点，一个是集成学习，一个是每个分类器的分类结果，一个是使用投票法。集成学习就是集思广益，看到多个分类器的结果后再做决定。第二个注意的就是每个分类器的结果如（1，1，0）指的是预测结果的正误，而不是预测结果。第三个是投票法，即少数服从多数的方法决定集成学习的最终结果。因此这题的答案是(1,1,1) 因为每一个样本都有2个分类器为1。答案选A。
4.有关机器学习分类算法的Precision和Recall，以下定义中正确的是（假定tp = true positive, tn = true negative, fp = false positive, fn = false negative）
A.Precision= tp / (tp + fp), Recall = tp / (tp + fn)
B.Precision = tp / (tn + fp), Recall = tp /(tp + fn)
C.Precision = tp / (tn + fn), Recall = tp /(tp + fp)
D.Precision = tp / (tp + fp), Recall = tp /(tn + fn)
参考答案：A
解析：这道题2个注意点，一个是PR的含义，一个是TP,TN,FP和FN的含义。
1、精确度（P）对应预测正确的（TP）占预测情况中正类（真正类TP+假正类FP）的比例；
2、召回率（R）对应预测正确的(TP)占真实情况正类（真正类TP+假负类FN）的比例。
这里比较难理解的是这4个类别，其实这四个类别都是针对预测结果而言的，所谓的真正类，指的是预测的正类是真，即预测结果为正，真是结果也为正。同理，假的负类指的是预测负类是假的。
5.下面哪些可能是一个文本语料库的特征（）
1.一个文档中的词频统计
2.文档中单词的布尔特征
3.词向量
4.词性标记
5.基本语法依赖
6.整个文档
A.123
B.1234
C.12345
D.123456
参考答案：C
解析：首先要明白特征是什么，特征是指能够区分一个群体与其他群体的一些标记。那就知道了，首先特征是这个群体固有的属性，另外这些属性必须得是可以量化，具有一定普适性的。因此1，2，3，4，5都可以在不同方面表示一个文本语料库，而且它可以以一定方法进行度量的。反观6这个说法，一看就是出题人硬凑出来的，因为整个文档本身指代就不清楚，指的是每篇文档？还是整个语料库？另外，整个文档的什么？是文字？还是文章本身？最后，整个文档很难去和其他的东西进行一个比较和区分，是和另一个文本语料库的文字区分？还是说有无这篇文章？因此6不是特征。
- 设A为n阶方阵，且A的行列式
，而
是A的伴随矩阵，则
等于下列哪个选项?
A.a
B.1/a
C.
D.
参考答案：C
解析： 首先原题目的C和D被画成了矩阵的形式，给予了很大的误导。这里修正了回来，一个矩阵的行列值怎么也不可能是一个矩阵。然后，我们来了解一下什么是伴随矩阵，最后根据行列式性质得出解：
7.设
， 则当x---->1 时（）
A.a(x)与b(x)是同阶无穷小，但不是等价无穷小
B.a(x)与b(x)是等价无穷小
C.a(x)是比b(x)高阶的无穷小
D.b(x)是比a(x)高阶的无穷小
参考答案：A
解析：本题的关键在于如何判定是等价无穷小还是同阶无穷小。其判断方法高数就已经学过，直接两者相除，如果是常数，则为同阶，如果是1，则是等价。高阶无穷小为分子更快的变为0（0），低阶无穷小为分母更快的变为0（无穷大）
8.在机器学习中，如果一味的去提高训练数据的预测能力，所选模型的复杂度往往会很高，这种现象称为过拟合。所表现的就是模型训练时候的误差很小，但在测试的时候误差很大，对于产生这种现象以下说法正确的是：（）
A.样本数量太少
B.样本数量过多
C.模型太复杂
D.模型太简单
参考答案：AC
解析：这道题非常的简单，在题干中就已经给出了，模型的复杂度高，也就是模型太复杂，而且训练数据少也是过拟合的一个原因。其实这个说法并不严禁，因为样本如果很有代表性，则很少的样本也能够训练出很好的效果，但是如果很多样本都是比较相似的样本，也就是类别不平衡。那么很难训练出一个好模型出来。
9.下列模型属于机器学习生成式模型的是（）
A.朴素贝叶斯
B.隐马尔科夫模型(HMM)
C.马尔科夫随机场(Markov Random Fields)
D.深度信念网络(DBN)
参考答案：ABCD
解析：本道题还是老知识要点，那就是什么样的模型是生成式模型，什么模型是判别式模型。判别式模型（Discriminative Model）是直接对条件概率p(y|x;θ)建模。常见的判别式模型有线性回归模型、线性判别分析、支持向量机SVM、神经网络等。
生成式模型（Generative Model）则会对x和y的联合分布p(x,y)建模，然后通过贝叶斯公式来求得p(yi|x)，然后选取使得p(yi|x)最大的yi，常见的生成式模型有隐马尔可夫模型HMM、朴素贝叶斯模型、高斯混合模型GMM、狄利克雷分布模型（Latent Dirichlet Allocation，LDA）等。
