您可能感興趣的試卷
你可能感興趣的試題
A.4
B.5
C.6
D.7
A.OLAP事務(wù)量大,但事務(wù)內(nèi)容比較簡單且重復(fù)率高
B.OLAP的最終數(shù)據(jù)來源與OLTP不一樣
C.OLTP面對的是決策人員和高層管理人員
D.OLTP以應(yīng)用為核心,是應(yīng)用驅(qū)動的
A.OLAP主要是關(guān)于如何理解聚集的大量不同的數(shù)據(jù).它與OTAP應(yīng)用程序不同
B.與OLAP應(yīng)用程序不同,OLTP應(yīng)用程序包含大量相對簡單的事務(wù)
C.OLAP的特點在于事務(wù)量大,但事務(wù)內(nèi)容比較簡單且重復(fù)率高
D.OLAP是以數(shù)據(jù)倉庫為基礎(chǔ)的,但其最終數(shù)據(jù)來源與OLTP一樣均來自底層的數(shù)據(jù)庫系統(tǒng),兩者面對的用戶是相同的
關(guān)于OLAP的特性,下面正確的是()
(1)快速性(2)可分析性(3)多維性(4)信息性(5)共享性
A.(1)(2)(3)
B.(2)(3)(4)
C.(1)(2)(3)(4)
D.(1)(2)(3)(4)(5)
A.在線性
B.對用戶的快速響應(yīng)
C.互操作性
D.多維分析
最新試題
經(jīng)常跟管理層打交道并進行有效地關(guān)于商業(yè)領(lǐng)域的討論有助于數(shù)據(jù)科學(xué)項目的成功。
由于分類是回歸的一種特殊情況,因此邏輯回歸是線性回歸的一種特殊情況。
假設(shè)屬性的數(shù)量固定,則可以在時間上以線性方式學(xué)習(xí)基于高斯的貝葉斯最優(yōu)分類器,而該數(shù)量是數(shù)據(jù)集中記錄的數(shù)量。
使用偏差較小的模型總是比偏差較大的模型更好。
當(dāng)數(shù)據(jù)集標(biāo)簽錯誤的數(shù)據(jù)點時,隨機森林通常比AdaBoost更好。
選擇用于k均值聚類的聚類數(shù)k的一種好方法是嘗試k的多個值,并選擇最小化失真度量的值。
管理員不需要驗證就可以訪問數(shù)據(jù)存儲系統(tǒng)中的任何數(shù)據(jù),這符合數(shù)據(jù)安全的要求。
使決策樹更深將確保更好的擬合度,但會降低魯棒性。
通過統(tǒng)計學(xué)可以推測擲兩個撒子同時選中3點的幾率。
支持向量機不適合大規(guī)模數(shù)據(jù)。