A.可通過(guò)神經(jīng)網(wǎng)絡(luò)隱層將其變換到新的高維特征空間,使其在變換后的特征空間線(xiàn)性可分B.可在原始特征空間組合多個(gè)線(xiàn)性分類(lèi)器,從而構(gòu)建非線(xiàn)性分類(lèi)邊界C.可通過(guò)特征變換,將其變換到新的高維特征空間,使其線(xiàn)性可分D.一定可以設(shè)計(jì)出分類(lèi)器無(wú)誤地將其分開(kāi)
A.梯度提升決策樹(shù)是一種組合分類(lèi)器B.梯度提升決策樹(shù)屬于統(tǒng)計(jì)學(xué)習(xí)中序列向前的加性/相加模型(additive model)C.梯度提升樹(shù)是通過(guò)序列添加新的決策樹(shù)以擬合已有決策樹(shù)預(yù)測(cè)損失的梯度D.梯度提升決策和隨機(jī)森林一樣是基于多數(shù)投票的組合分類(lèi)器
A.對(duì)象的中心位置、長(zhǎng)寬等定位參數(shù)通常被設(shè)置為回歸問(wèn)題。B.對(duì)象的中心點(diǎn)位置回歸時(shí),通常以選擇的錨框中心點(diǎn)坐標(biāo)為基礎(chǔ),回歸優(yōu)化的目標(biāo)是使錨框中心點(diǎn)坐標(biāo)偏離對(duì)象真實(shí)中心點(diǎn)位置的量與所預(yù)測(cè)對(duì)象的中心點(diǎn)位置偏離對(duì)象真實(shí)中心點(diǎn)位置的量之間的差異越小越好。C.對(duì)象定位的目標(biāo)是使預(yù)測(cè)對(duì)象的定位參數(shù)直接和對(duì)象真實(shí)外包絡(luò)矩陣的參數(shù)差異越小越好。D.對(duì)象檢測(cè)方法的學(xué)習(xí)是包括對(duì)象定位和對(duì)象分類(lèi)的多任務(wù)學(xué)習(xí)問(wèn)題。