分类问题既可以使用传统的机器学习方法如逻辑回归，决策树，也可以用深度学习算法...

判断题分类问题既可以使用传统的机器学习方法如逻辑回归，决策树，也可以用深度学习算法。

1.判断题sklearn.metrics.confusion_matrix（）方法传入测试用的目标，预测的结果作为参数可以生成生成混淆矩阵。

2.判断题卷积神经网络适合对格点化（grid-liketopology）特征的数据，如像素和音频进行学习。

3.判断题机器学习模型经常使用Dense层进行正则化，限制模型中参数，从而减少模型的过拟合的可能。

4.判断题机器学习模型经常使用Dropout层构造全连接网络。

5.判断题决策树模型（DecisionTreeClassifier）调用模型的predict_classes（）方法生成预测。

6.判断题序贯模型（Sequential）调用模型的predict（）方法生成预测。

7.判断题matplotlib.heatmap（）方法绘制热力图。

8.判断题构建第一层全连接神经网络层需要用input_dim指定输入形状，以对接输入数据的形状。

9.判断题sklearn.metrics.accuracy_score（）方法传入测试用的目标，预测的结果作为参数可以得到模型的精确度。

10.判断题数据分析的第二步是根据需求获取信息，通常是通过对导入数据的DataFrame进行操作得到需要信息，并可视化。