关于随机森林算法，下列说法不正确的是（）。

A.随机森林算法的分类精度与所含决策树的数量没有太大关系

B.随机森林算法对异常值和缺失值不敏感储

C.随机森林算法完全不需要考虑过拟合问题

D.决策树之间相关系数越低、每棵决策树分类精度越高的随机森林模型的分类效果越好

A.随机森林由若干决策树组成,决策树之间存在关联性

B.随机森林学习过程分为选择样本、选择特征、构建决策树、投票四个部分

C.随机森林算法容易陷入过拟合

D.随机森林构建决策树时,是无放回的选取训练数据

A.GBDT算法采用了Boosting技术，通过迭代更新样本的权重，串行生成序列的决策树集合

B.随机森林的基学习器采用装袋法，多个基学习器可以并行执行

C.随机森林的准确度一般好于GBDT算法的准确度

D.随机森林和GBDT都是决策树的集成模型

A.GBDT算法采用了Boosting技术，通过迭代更新样本的权重，串行生成序列的决策树集合

B.随机森林的基学习器采用装袋法，多个基学习器可以并行执行

C.随机森林的准确度一般好于GBDT算法的准确度

D.随机森林和GBDT都是决策树的集成模型

A.随机森林通常性能比决策树好

B.都不做K折交叉验证时，随机森林的性能评价比决策树的可靠

C.随机森林只能用来分类，不能用来预测一个连续的数值型结果。

D.随机森林模型训练和应用的速度都较决策树慢

A.聚类算法中最终的类别之间可能有少量样本的交叉

B.K-means算法中可以随机划分样本为K堆，以K堆的平均重心作为初始的K个点

C.自动编码器包含“编码”和“解码”两部分

D.自动编码器可以用于图像抗噪和数据降维

A.FIFO反映了历史性，没有反映程序访问的局部性

B.随机算法实现简单，但既没有反映历史性，没有反映程序访问的局部性

C.LRU既反映了历史性，又反映了程序访问的局部性，命中率较接近OPT，是实际应用最广泛的一种替换算法

D.OPT是最优替换算法，是实际应用最广泛的一种替换算法

A.随机森林算法的分类精度不会随着决策树数量的增加而提高。

B.随机森林算法对异常值和缺失值不敏感。

C.随机森林算法不需要考虑过拟合问题。

D.决策树之间相关系数越低、每棵决策树分类精度越高的随机森林模型的分类效果越好。

A.k-means

B.SVM

C.决策树

D.随机森林

A.每颗树都是从属性集随机抽取一定数目的属性作为候选的特征。

B.随机森林训练后只需选择性能最好的树最为预测模型。

C.随机森林是一种集成算法，可以使用CART等基学习器提高分类的性能。

D.类似装袋法的样本抽样方法，保证每棵树的学习样本集的多样性。

A.每颗树都是从属性集随机抽取一定数目的属性作为候选的特征。

B.随机森林训练后只需选择性能最好的树最为预测模型。

C.随机森林是一种集成算法，可以使用CART等基学习器提高分类的性能。

D.类似装袋法的样本抽样方法，保证每棵树的学习样本集的多样性。