Bagging与Boosting误差对比试题库及答案.docVIP

Bagging与Boosting误差对比试题库及答案

单项选择题（每题2分，共10题）

1.Bagging主要减少的误差是（）

A.偏差B.方差C.噪声D.以上都不对

2.Boosting的基础模型通常是（）

A.强学习器B.弱学习器C.两者均可D.以上都不是

3.Bagging算法训练模型时采用的样本抽取方式是（）

A.不放回抽样B.放回抽样C.顺序抽样D.随机抽样

4.以下哪种情况更适合用Bagging（）

A.数据噪声大B.模型偏差大C.模型方差大D.数据量小

5.Boosting迭代过程中对样本权重的调整方向是（）

A.只增加B.只减小C.有增有减D.不变

6.Bagging集成多个模型的方式是（）

A.加权平均B.简单平均C.投票D.按顺序

7.Boosting训练基础模型时关注的样本是（）

A.容易分类的B.难以分类的C.所有样本D.随机样本

8.一般来说，Bagging训练模型的数量增加，方差会（）

A.增大B.减小C.不变D.不确定

9.Boosting最终模型的权重分配依据是（）

A.模型训练顺序B.模型准确率C.模型复杂度D.随机分配

10.从误差减少角度，Bagging和Boosting都作用于（）

A.仅训练集误差B.仅测试集误差C.两者误差D.预测误差

多项选择题（每题2分，共10题）

1.以下属于Bagging特点的有（）

A.并行训练模型B.减少方差C.对噪声敏感D.基础模型要求高

2.Boosting的优势包括（）

A.降低偏差B.能处理非线性问题C.对异常值不敏感D.不需要调参

3.Bagging可以使用的基础模型有（）

A.决策树B.神经网络C.支持向量机D.K近邻

4.关于Boosting样本权重调整说法正确的是（）

A.正确分类样本权重降低B.错误分类样本权重增加

C.每次迭代都调整D.权重调整影响基础模型训练

5.以下对Bagging与Boosting集成方式描述正确的是（）

A.Bagging简单平均或投票B.Boosting加权平均

C.Bagging加权平均D.Boosting简单平均

6.以下哪些情况适合使用Bagging（）

A.数据集大B.模型过拟合C.模型泛化能力差D.数据有噪声

7.以下哪些情况适合使用Boosting（）

A.数据集小B.模型偏差大C.对精度要求高D.处理高维数据

8.下列关于Bagging和Boosting说法正确的是（）

A.都是集成学习方法B.都可以提升模型性能

C.都需要多个基础模型D.都能直接处理缺失值

9.对比Bagging与Boosting，Bagging在（）方面有优势。

A.训练速度B.对基础模型要求C.抗噪声能力D.最终模型精度

10.对比Bagging与Boosting，Boosting在（）方面有优势。

A.降低偏差B.处理小数据集C.并行计算D.模型可解释性

判断题（每题2分，共10题）

1.Bagging一定能提升模型的准确率。（）

2.Boosting只能使用决策树作为基础模型。（）

3.Bagging对训练数据的噪声不敏感。（）

4.Boosting迭代次数越多，模型性能一定越好。（）

5.Bagging训练模型是串行进行的。（）

6.Boosting调整样本权重是为了让基础模型关注难分类样本。（）

7.Bagging和Boosting都能提升模型的泛化能力。（）

8.基础模型相同情况下，Bagging比Boosting训练速度慢。（）

9.若模型偏差大，选择Bagging更合适。（）

10.Boosting中基础模型权重是相同的。（）

简答题（每题5分，共4题）

1.简述Bagging减少误差的原理。

答：Bagging通过放回抽样得到多个子样本集，训练多个基础模型，最后综合这些模型结果（如简单平均或投票）。多个模型对不同子样本学习，降低了单个模型对特定样本的依赖，减少方差，从而降低整体误差。

2.简述Boosting减少误差的原理。

答：Boosting迭代训练多个弱学习器，每次迭代调整样本权重，使后续弱学习器更