（）是决策树学习算法中对付“过拟合”的主要手段

A.对于每个事件节点，求解EMV

B.对于每个决策节点，选择具有最佳EMV节点发出的分枝，计算该节点的EMV

C.在决策节点的上方写上EMV数值，并通过在它们上画双杠的方法，划去低EMV的分枝

D.所有节点评估完后，求解决策树

E.计算决策树起始分枝的EMV，据此得出各策略的EMV，从而确定最优决策方案

A.在大多数情况下，剪枝会提高算法效率

B.节点先后次序会影响剪枝效率

C.节点先后次序不会影响剪枝效率

D.剪枝本身不影响算法输出结果

A、支持向量机模型中距离平面最近的几个样本对平面的选择影响最大

B、K近邻算法中K值的选择对分类的结果影响不大

C、模型测试阶段的测试数据集不能与训练数据集有交集

D、决策树算法中最能将样本数据显著分开的属性应该在决策早期就使用

A、规则归纳问题，适合用决策树来表示

B、决策树算法是无监督学习

C、如果根据一个属性做判断，样本仍然有若干种情况，则该属性不应该出现在决策早期

D、属性在决策树中的位置不同，决策树的效率是不同的

A.根

B.干

C.分枝

D.节点

A.类似于流程图的树结构

B.每个分枝代表一个测试输出

C.生成决策树是从叶节点开始的

D.每个叶节点存放一个类编号

A.贪心算法比较动态规划易于编码

B.两种算法都要求问题存在最优子结构

C.贪心算法是期望通过所做的局部最优选择来产生全局最优解决方案

D.贪心算法是期望通过所做的局部最优选择来产生全局最优解决方案