2020 应用回归分析（杨清华）(桂林理工大学) 最新满分章节测试答案

文章目录[隐藏]

第一章：回归分析概述测验一
第二章 Python基本介绍测验二
第三章一元线性回归测验三
【作业】第四章多元线性回归案例作业一：基础多元回归
第四章多元线性回归测验四
第五章违背基本假设的情况测验五
【作业】第五章违背基本假设的情况案例作业二：自相关检验与处理
【作业】第六章线性回归的拓展案例作业三：多项式回归
第六章线性回归的拓展测验六
【作业】第七章 Logistic 回归案例作业四：逻辑回归
第七章 Logistic 回归测验七
【作业】第八章变量选择与正则化案例作业五：共线性和逐步回归
【作业】第八章变量选择与正则化案例作业六：模型正则化
第八章变量选择与正则化测验八

本答案对应课程为:点我自动跳转查看
本课程起止时间为:2020-02-24到2020-07-12
本篇答案更新状态:已完结

第一章：回归分析概述测验一

1、问题:以下关于回归分析的理解正确的是（）
选项：
A:回归一词来源于高尔顿关于父辈和子辈身高关系的研究
B:回归效应的古典含义是指父辈个子高，子女个子通常也高；父辈个子矮，子女通常也矮
C:回归的现代含义是由自变量的取值去预测因变量的具体值
D:不论何种数据，都可以用一条直线来精确地拟合输入输出数据
答案: 【回归一词来源于高尔顿关于父辈和子辈身高关系的研究】

2、问题:以下不属于相关关系的有（）
选项：
A:父辈身高与子女身高的关系
B:考试成绩与学习时间的关系
C:企业违约风险与其负债率的关系
D:正方形面积与其边长的关系
答案: 【正方形面积与其边长的关系】

3、问题:以下关于相关分析理解正确的是（）
选项：
A:相关分析需要明确划分自变量和因变量
B:相关系数接近于0说明两个变量不存在任何关系
C:相关系数接近于1说明两个变量存在线性关系
D:相关分析中，通常把y视为随机变量，x视为非随机变量
答案: 【相关系数接近于1说明两个变量存在线性关系】

4、问题:机器学习的类型不包括以下哪一项（）
选项：
A:有监督学习
B:无监督学习
C:自觉学习
D:深度学习
答案: 【自觉学习】

5、问题:以下哪一项不是机器学习的特点（）
选项：
A:需要建立精确的数学模型
B:以算法设计为中心
C:能够在算法运行过程中自我演进
D:需要大量的数值计算
答案: 【需要建立精确的数学模型】

6、问题:机器学习的步骤不包括以下哪一项（）
选项：
A:搜集数据
B:提取特征
C:优化计算
D: 硬件维护
E:调整参数
答案: 【硬件维护】

7、问题:关于回归分析，以下说法正确的是（）
选项：
A:用一条直线对输入输出数据进行拟合
B:必须假定总体分布
C:可以在相关分析的基础上进一步刻画输入输出变量的统计联系
D:采用机器学习方法比数理统计方法更好
答案: 【可以在相关分析的基础上进一步刻画输入输出变量的统计联系】

8、问题:关于相关分析和回归分析，以下正确的说法有（）个1）两者都需要区分自变量和因变量；2）两者都假定x和y是随机变量；3）从统计学角度，两者都需要进行显著性检验；4）两者的功能是相同，进行一个即可。
选项：
A:0
B:1
C:2
D:3
E:4
答案: 【1】

9、问题:以下关于机器学习理解正确的是（）
选项：
A:机器会自动学习，不需要人做任何事情
B:有监督学习需要人参与，无监督学习不需要人参与
C:以算法为中心，不太关注模型假设
D:机器会自主完成特征的设计和提取
答案: 【以算法为中心，不太关注模型假设】

第二章 Python基本介绍测验二

1、问题:下述哪行程序创建了一个字符串变量
选项：
A:x=1
B:x=’abc’
C:x=True
D:x=range(1,9)
答案: 【x=’abc’】

2、问题:定义一个字典型数据并执行查询如下，运行第二条语句的结果是 ( ) x={1:’apple’,2:’orange’,’pear’:3}
x[3]
选项：
A:’apple’
B:’orange’
C:’pear’
D:KeyError: 0
答案: 【KeyError: 0】

3、问题:定义一个函数如下，下述中返回结果不是 2 的调用命令是 ( ) def f(x,y):
u=x-y**2
if u>0:
return u
else:
return 0
选项：
A:f(6,2)
B:f(2,6)
C:f(3,1)
D:f(y=2,x=6)
答案: 【f(2,6)】

4、问题:创建了列表并访问其中的元素如下，运行第二条语句的结果是 ( ) x=[[1,2],[3,4],[5,6]]
x[2][1]‍
选项：
A:3
B:4
C:5
D:6
答案: 【6】

5、问题:下述程序创建了一个矩阵，并求其行列式的值。运行结果是 ( )import numpy as np
y=np.matrix(‘2,3;4,5’)
ydet=np.linalg.det(y)
print(ydet)
选项：
A:2
B:-2
C:4
D:-4
答案: 【-2】

6、问题:下述程序创建了一个数据框。程序最后的显示结果是( )import numpy as np
import pandas as pd
t=np.arange(1,10,2)
x=t**2
mydict={‘t’:t,’x’:x}
mydf=pd.DataFrame(mydict)
np.sum(mydf.x)
选项：
A:165
B:385
C:220
D:50
答案: 【165】

7、问题:下述哪行程序没有生成正态分布的随机数？ ‍ ( )
选项：
A:x=np.random.normal(10,2,5)
B:x=np.random.normal(2,5,[5,2])
C:x=np.random.normal(2,5,[2,5])
D:x=2+5*np.random.randn(10)
答案: 【x=np.random.normal(10,2,5)】

8、问题:下述程序绘制一条对数函数图，其中第5行的第3个参数的作用是 ( ) import numpy as np #line 1
import matplotlib.pyplot as plt #line 2
x=np.arange(1,20,0.2) #line 3
y=np.log(x) #line 4
plt.plot(x,y,’b:’,label=’logarithm curve’) #line 5
plt.xlabel(‘x’) #line 6
plt.ylabel(‘y’) #line 7
plt.legend() #line 8‍
选项：
A:指定图像的横坐标的名称
B:指定图像的纵坐标的名称
C:指定图像曲线的颜色和形状
D:指定图像的标签
答案: 【指定图像曲线的颜色和形状】

9、问题:下述哪个命令不能实现普通最小二乘回归？( )
选项：
A:statsmodels.api.OLS()
B:statsmodels.formula.api.ols()
C:numpy.linalg.lstsq()
D:pandas.formula.api.ols()
答案: 【pandas.formula.api.ols()】

10、问题:下述哪个命令不是用来创建数据框变量的？( )
选项：
A:mydf = pandas.read_csv(‘data.csv’)
B:mydf = pandas.read_csv(‘data.txt’)
C:myfile=open(‘data.txt’)
D:df=pandas.DataFrame([[‘alice’,87],[‘benny’,80],[‘chris’,92]])
答案: 【myfile=open(‘data.txt’)】

11、问题:一个矩阵的最大特征值与最小特征值的商，称为这个矩阵的条件数。使用 numpy 模块，编写 Python 程序计算矩阵的条件数，结果为 ( )
选项：
A:1