我们想要训练一个 ML 模型，样本数量有 100 万个，特征维度是 5000，面对如此大数据，如何有效地训练模型（多选）？

我们建立一个5000个特征,100万数据的机器学习模型.我们怎么有效地应对这样的大数据训练()

A.我们随机抽取一些样本,在这些少量样本之上训练

B.我们可以试用在线机器学习算法

C.我们应用PCA算法降维,减少特征数

D.B和C

E.A和B

F.以上所有

（ ）胜任特征模型对每个大的胜任特征维度用好几个方面的行为进行描述。

A.锚型

B.簇型

C.盒型

D.层级式

A:外向性、宜人性、责任性、神经质、经验开放性

B:外向性、宜人性、目的性、神经质、经验开放性

C:外向性、和平性、责任性、神经质、经验开放性

A、样本越多，模型训练越快，性能越好。

B、样本越少，模型的方差越大。

C、如果模型性能不佳，可增加样本多样性进行优化。

D、增加数据可以减少模型方差。

使用SMOKE.RAW中的数据。

(i)变量cigs是平均每天抽烟的数量。样本中有多少人根本就不抽烟?有多大比例的人声称每天抽20支?你为什么认为抽20支香烟的人会有所堆积?

(ii)给定你对第(i)部分的回答，cigs看起来具有条件泊松分布吗?

(iii)用log(cigpric)、log(income)、white、educ、age和age²作为解释变量，估计cigs的一个泊松回归模型。估计的价格和收入弹性是多少?

(iv)利用极大似然标准误，价格和收入变量在5%的水平上统计显著吗?

(v)求方程(17.35)后面介绍的σ²估计值。σ是多少?你应该如何调整第(iv)部分中的标准误?

(vi)利用第(v)部分中调整后的标准误，价格和收入弹性现在统计显著异于零吗?请解释。

(vii)利用更稳健的标准误，教育和年龄变量显著吗?你如何解释educ的系数?

(viii)求泊松回归模型的拟合值yi。找出最大值和最小值，并讨论指数模型对瘾君子的预测表现。

(ix)利用第(viii)部分的拟合值，求yi和yi之相关系数的平方。

(x)使用第(iii)部分中的解释变量(及相同的函数形式)，用OLS估计cigs的一个线性模型。线性模型和指数模型哪个拟合得更好?两者的R都很大吗?

我们针对一个大学样本，估计了一个联系校园犯罪与学生注册人数的模型。由于很多学校在1992年都没有报告其校园犯罪数据，所以我们所使用的样本并不是美国大学的一个随机样本。你认为大学没有报告校园犯罪可被视为外生的样本选择吗?请解释。

一个随机抽取的样本包括100个数据，用指数分布拟合时，以极大似然估计去求分布的参数，此时极大化的似然函数值为-159.4。继续用伽玛分布拟合这组数据，如果根据似然比检验，伽玛分布的拟合效果在5%显著性水平下优于指数分布的话，则用极大似然估计求伽玛分布模型的参数时，最大化的似然函数值至少为( )。

A.-156.45

B.-137.46

C.-154.37

D.-147.96

E.-157.48

不属于大五人格维度模型的是()

A、随和性

B、经验开放性

C、变动性

D、创新性

“大五”人格维度模型包括的因素有()

A、情绪稳定性

B、社交性

C、责任心

D、法律规范

一元线性回归模型Yi=β0+β1Xi+μi的残差平方和RSS=100，样本容量n=25，则回归模型的方差δ2的最大似然估计量为( )。

A．4．00

B．4．17

C．4．25

D．5．00