题目内容
（请给出正确答案）
[单选题]
下列关于scikit-learn的描述正确的是
A.scikit-learn包括许多知名的机器学习算法的实现，包括SVM等
B.scikit-learn封装了其他的Python库，如自然语言处理的NLTK库
C.scikit-learn内置了大量数据集，如iris数据集等
D.scikit-learn实现了多种分类的评估方法，如准确率、精确率、召回率等
提问人：网友lh200551
发布时间：2022-01-07
题目内容
（请给出正确答案）
如搜索结果不匹配，请 
您可能会需要：
安装简答题APP，拍照搜题省时又省心！
更多“下列关于scikit-learn的描述正确的是”相关的问题
第2题
关于功能性电刺激(FES)的描述不正确的是 ()
A、SCI后易于产生深静脉血栓，电刺激小腿肌肉可减少发生的危险
B、FES可产生下肢功能性活动，如站立和行走
C、FES系统可取代轮椅
D、SCI患者的上肢FNS的应用处于观察阶段
E、刺激电极分表面、经皮和植入3种
第3题
对SCI(Science Citation Index)的错误描述是( )
A.由美国科学信息研究所研制
点击查看答案
B.SCI从来源期刊数量划分为SCI和SCI-E
C.SCI指SCI印刷版和SCI光盘版,SCI-E是SCI的扩展
D.SCI学科涵盖人类学、法律、经济等55个领域
第5题
在SCI-E数据库的高级检索中，检索期刊名称为“chemical engineering journal”,题目中含有waste water这一词组的文献，正确的检索式为：
A、"chemical engineering journal" wn journal and "waste water" wn ti
B、ti="waste water" and so="chemical engineering journal"
C、"chemical engineering journal" wn journal and waste water wn ti
D、"chemical engineering journal"/st and “waste water”/ti
第6题
已知如下定义： True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）； False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数； False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数； True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。 则下面定义正确的是：
A、分类准确率 Accuracy=(TP+TN)/(P+N)
B、精确率 Precision=TP/(TP+FP)
C、召回率 Recall=TP/P
D、召回率 Recall=TN/P
第7题
假设测试数据集中共计有70个正类样本，30个负类样本。且某次分类结果如下表所示（表中各项的含义如表下方的注释所示）。则分类的精确率是 （要求：用小数表示，且保留小数点后两位）？ 实 际 类 别 预测类别 正例 负例 总计 正例 TP=40 FN=30 P(实际为正例)=70 负例 FP=10 TN=20 N(实际为负例)=30 表中数据项的含义： True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）； False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数； False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数； True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
第9题
下面的一段python程序是使用支持向量机在iris数据集上进行训练的例子，请补全导入的模块名称（用小写字母） from sklearn import cross_validation from sklearn import from sklearn import datasets iris = datasets.load_iris() X_train, X_test, y_train, y_test = cross_validation.train_test_split\ (iris.data, iris.target, test_size=0.2 ) clf = svm.SVC(kernel='linear', C=1).fit(X_train, y_train)
第10题
下面的一段python程序是计算并输出y_true和y_pred之间的平均绝对误差，即MAE，则其中print语句的输出结果为 （要求：用小数表示，且保留小数点后两位）。 from sklearn.metrics import mean_absolute_error y_true = [3, -0.5, 2, 7] y_pred = [2.5, 0.0, 2, 9] print (mean_absolute_error(y_true, y_pred))
