自覺(jué)遵守考場(chǎng)紀(jì)律如考試作弊此答卷無(wú)效密自覺(jué)遵守考場(chǎng)紀(jì)律如考試作弊此答卷無(wú)效密封線第1頁(yè)，共2頁(yè)貴州師范大學(xué)《專(zhuān)業(yè)技能訓(xùn)練數(shù)據(jù)庫(kù)應(yīng)用系統(tǒng)開(kāi)發(fā)實(shí)驗(yàn)教學(xué)》2024-2025學(xué)年第一學(xué)期期末試卷院(系)_______班級(jí)_______學(xué)號(hào)_______姓名_______題號(hào)一二三四總分得分一、單選題（本大題共30個(gè)小題，每小題1分，共30分．在每小題給出的四個(gè)選項(xiàng)中，只有一項(xiàng)是符合題目要求的．）1、人工智能中的強(qiáng)化學(xué)習(xí)算法可以用于訓(xùn)練機(jī)器人完成復(fù)雜的任務(wù)。假設(shè)一個(gè)機(jī)器人需要通過(guò)強(qiáng)化學(xué)習(xí)學(xué)會(huì)在不同地形上行走。以下關(guān)于強(qiáng)化學(xué)習(xí)訓(xùn)練機(jī)器人的描述，哪一項(xiàng)是不正確的？（）A.機(jī)器人通過(guò)與環(huán)境的交互獲得獎(jiǎng)勵(lì)或懲罰，從而調(diào)整自己的動(dòng)作策略B.可以使用模擬環(huán)境進(jìn)行大量的訓(xùn)練，以減少在真實(shí)環(huán)境中的試驗(yàn)成本和風(fēng)險(xiǎn)C.強(qiáng)化學(xué)習(xí)訓(xùn)練出的機(jī)器人策略在不同的環(huán)境條件下都能保持最優(yōu)性能，無(wú)需進(jìn)一步調(diào)整D.合理設(shè)計(jì)獎(jiǎng)勵(lì)函數(shù)對(duì)于引導(dǎo)機(jī)器人學(xué)習(xí)到期望的行為至關(guān)重要2、在人工智能的目標(biāo)檢測(cè)任務(wù)中，假設(shè)圖像中存在多個(gè)不同大小和形狀的目標(biāo)，且目標(biāo)之間存在遮擋。以下哪種檢測(cè)算法能夠較好地應(yīng)對(duì)這種復(fù)雜情況？（）A.FasterR-CNN，基于區(qū)域建議網(wǎng)絡(luò)B.YOLO（YouOnlyLookOnce），一次性檢測(cè)所有目標(biāo)C.SSD（SingleShotMultiBoxDetector），多尺度檢測(cè)D.以上都是3、假設(shè)在一個(gè)智能教育系統(tǒng)中，需要利用人工智能為學(xué)生提供個(gè)性化的學(xué)習(xí)路徑和資源推薦。為了準(zhǔn)確評(píng)估學(xué)生的學(xué)習(xí)狀態(tài)和需求，以下哪種數(shù)據(jù)和方法可能是重要的？（）A.學(xué)習(xí)行為數(shù)據(jù)和聚類(lèi)分析B.知識(shí)掌握程度數(shù)據(jù)和回歸分析C.學(xué)習(xí)偏好數(shù)據(jù)和分類(lèi)算法D.以上都是4、人工智能中的優(yōu)化算法對(duì)于模型的訓(xùn)練和性能提升起著關(guān)鍵作用。以下關(guān)于優(yōu)化算法的敘述，不正確的是（）A.常見(jiàn)的優(yōu)化算法包括隨機(jī)梯度下降（SGD）、Adagrad、Adadelta等B.不同的優(yōu)化算法在收斂速度、穩(wěn)定性和對(duì)超參數(shù)的敏感性方面有所不同C.優(yōu)化算法的選擇只取決于模型的架構(gòu)，與數(shù)據(jù)特點(diǎn)無(wú)關(guān)D.可以通過(guò)調(diào)整優(yōu)化算法的參數(shù)來(lái)提高模型的訓(xùn)練效果5、當(dāng)利用人工智能進(jìn)行金融風(fēng)險(xiǎn)評(píng)估，例如評(píng)估信用風(fēng)險(xiǎn)和市場(chǎng)風(fēng)險(xiǎn)，以下哪種模型和特征可能是重要的組成部分？（）A.邏輯回歸模型和財(cái)務(wù)指標(biāo)B.決策樹(shù)模型和交易數(shù)據(jù)C.深度學(xué)習(xí)模型和宏觀經(jīng)濟(jì)數(shù)據(jù)D.以上都是6、在人工智能的自然語(yǔ)言生成任務(wù)中，假設(shè)要生成一篇連貫且有邏輯的文章，以下關(guān)于模型訓(xùn)練的策略，哪一項(xiàng)是不正確的？（）A.使用預(yù)訓(xùn)練的語(yǔ)言模型，并在特定任務(wù)上進(jìn)行微調(diào)B.從簡(jiǎn)單的句子生成開(kāi)始，逐漸過(guò)渡到復(fù)雜的文章生成C.不使用任何先驗(yàn)知識(shí)或語(yǔ)言規(guī)則，完全依靠數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)D.引入對(duì)抗訓(xùn)練，提高生成文本的質(zhì)量和多樣性7、在人工智能的發(fā)展中，倫理和社會(huì)問(wèn)題受到越來(lái)越多的關(guān)注。假設(shè)一個(gè)城市正在考慮大規(guī)模部署自動(dòng)駕駛汽車(chē)。以下關(guān)于人工智能倫理問(wèn)題的描述，哪一項(xiàng)是錯(cuò)誤的？（）A.自動(dòng)駕駛汽車(chē)在面臨道德困境時(shí)，如選擇保護(hù)乘客還是行人，需要制定明確的決策規(guī)則B.人工智能的應(yīng)用可能導(dǎo)致部分工作崗位的消失，但同時(shí)也會(huì)創(chuàng)造新的就業(yè)機(jī)會(huì)C.只要人工智能技術(shù)能夠帶來(lái)便利和效率，就無(wú)需考慮其可能產(chǎn)生的倫理和社會(huì)影響D.數(shù)據(jù)隱私和安全是人工智能應(yīng)用中需要重點(diǎn)關(guān)注的倫理問(wèn)題，需要采取措施保護(hù)用戶的個(gè)人信息8、人工智能在自動(dòng)駕駛領(lǐng)域的應(yīng)用面臨著諸多技術(shù)和法律挑戰(zhàn)。假設(shè)一輛自動(dòng)駕駛汽車(chē)在行駛過(guò)程中需要做出決策，如避讓行人或其他車(chē)輛。以下哪種方法在確保決策的安全性和合法性方面最為關(guān)鍵？（）A.基于概率的決策模型B.遵循預(yù)設(shè)的規(guī)則和策略C.模仿人類(lèi)駕駛員的決策方式D.實(shí)時(shí)收集大量的交通數(shù)據(jù)進(jìn)行分析9、在人工智能的自動(dòng)駕駛道德決策中，假設(shè)車(chē)輛面臨一個(gè)不可避免的碰撞場(chǎng)景，需要在保護(hù)車(chē)內(nèi)乘客和避免傷害行人之間做出選擇。以下哪種決策原則在倫理上更被接受？（）A.優(yōu)先保護(hù)車(chē)內(nèi)乘客的生命安全B.隨機(jī)選擇保護(hù)對(duì)象C.基于最大多數(shù)人的利益進(jìn)行決策D.這是一個(gè)無(wú)法確定的道德困境，沒(méi)有明確的決策原則10、人工智能中的遷移學(xué)習(xí)是一種有效的技術(shù)手段。以下關(guān)于遷移學(xué)習(xí)的描述，不正確的是（）A.遷移學(xué)習(xí)可以利用已有的預(yù)訓(xùn)練模型和知識(shí)，在新的任務(wù)和數(shù)據(jù)上進(jìn)行微調(diào)B.遷移學(xué)習(xí)能夠減少新任務(wù)中的數(shù)據(jù)標(biāo)注工作量和訓(xùn)練時(shí)間C.遷移學(xué)習(xí)只能在相似的領(lǐng)域和任務(wù)中應(yīng)用，無(wú)法跨越不同的領(lǐng)域D.合理運(yùn)用遷移學(xué)習(xí)可以提高模型的泛化能力和性能11、在人工智能的推薦系統(tǒng)中，例如為用戶推薦電影、音樂(lè)或商品，需要考慮用戶的歷史行為、偏好和當(dāng)前的情境信息。假設(shè)一個(gè)用戶的興趣偏好經(jīng)常變化，以下哪種方法能夠更好地適應(yīng)這種動(dòng)態(tài)的用戶偏好？（）A.基于協(xié)同過(guò)濾的推薦，依賴(lài)其他用戶的行為B.基于內(nèi)容的推薦，分析物品的特征C.混合推薦，結(jié)合多種推薦方法D.始終使用固定的推薦策略，不進(jìn)行調(diào)整12、在人工智能的發(fā)展中，機(jī)器學(xué)習(xí)是一個(gè)重要的分支。假設(shè)一個(gè)醫(yī)療團(tuán)隊(duì)想要利用機(jī)器學(xué)習(xí)來(lái)預(yù)測(cè)某種疾病的發(fā)病風(fēng)險(xiǎn)，他們收集了大量患者的基因數(shù)據(jù)、生活習(xí)慣、病史等多維度信息。在選擇機(jī)器學(xué)習(xí)算法時(shí)，需要考慮數(shù)據(jù)的特點(diǎn)、模型的復(fù)雜度和預(yù)測(cè)的準(zhǔn)確性等因素。以下哪種機(jī)器學(xué)習(xí)算法可能最適合這個(gè)任務(wù)？（）A.決策樹(shù)算法，通過(guò)對(duì)特征的逐步劃分進(jìn)行預(yù)測(cè)B.線性回歸算法，建立變量之間的線性關(guān)系進(jìn)行預(yù)測(cè)C.支持向量機(jī)算法，尋找最優(yōu)分類(lèi)超平面進(jìn)行分類(lèi)預(yù)測(cè)D.樸素貝葉斯算法，基于概率計(jì)算進(jìn)行分類(lèi)13、在人工智能的圖像識(shí)別模型中，假設(shè)需要提高模型對(duì)不同光照條件下圖像的魯棒性。以下哪種數(shù)據(jù)增強(qiáng)方法可能有效？（）A.隨機(jī)改變圖像的亮度和對(duì)比度B.對(duì)圖像進(jìn)行裁剪和縮放C.旋轉(zhuǎn)圖像一定角度D.以上都是14、在人工智能的聚類(lèi)分析中，例如將客戶按照消費(fèi)行為進(jìn)行分組，假設(shè)數(shù)據(jù)分布不規(guī)則且存在噪聲。以下哪種聚類(lèi)算法在這種情況下可能表現(xiàn)較好？（）A.K-Means聚類(lèi)算法，基于距離進(jìn)行分組B.層次聚類(lèi)算法，構(gòu)建層次結(jié)構(gòu)C.密度聚類(lèi)算法，基于密度進(jìn)行分組D.隨機(jī)聚類(lèi)算法，隨機(jī)分配數(shù)據(jù)到不同組15、在人工智能的圖像分割任務(wù)中，需要將圖像劃分成不同的區(qū)域。假設(shè)要對(duì)醫(yī)學(xué)影像中的病變區(qū)域進(jìn)行分割，以下關(guān)于圖像分割技術(shù)的描述，正確的是：（）A.傳統(tǒng)的圖像分割方法在處理復(fù)雜的醫(yī)學(xué)影像時(shí)效果總是優(yōu)于深度學(xué)習(xí)方法B.深度學(xué)習(xí)中的全卷積神經(jīng)網(wǎng)絡(luò)（FCN）在醫(yī)學(xué)圖像分割中能夠自動(dòng)學(xué)習(xí)特征，具有很大的潛力C.圖像分割的結(jié)果只取決于所使用的算法，與圖像的質(zhì)量和分辨率無(wú)關(guān)D.圖像分割技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用已經(jīng)非常成熟，不需要進(jìn)一步的研究和改進(jìn)16、人工智能中的強(qiáng)化學(xué)習(xí)算法可以分為基于值函數(shù)的方法和基于策略的方法。以下關(guān)于這兩種方法的描述，不正確的是（）A.基于值函數(shù)的方法通過(guò)估計(jì)狀態(tài)值或動(dòng)作值來(lái)選擇最優(yōu)動(dòng)作B.基于策略的方法直接學(xué)習(xí)策略函數(shù)，輸出動(dòng)作的概率分布C.基于值函數(shù)的方法和基于策略的方法不能結(jié)合使用，只能選擇其一D.這兩種方法各有優(yōu)缺點(diǎn)，在不同的應(yīng)用場(chǎng)景中表現(xiàn)不同17、在自然語(yǔ)言處理中，詞向量是一種重要的表示方法。假設(shè)要對(duì)一段文本進(jìn)行語(yǔ)義分析，使用詞向量模型。以下關(guān)于詞向量的描述，正確的是：（）A.詞向量的維度越高，對(duì)詞語(yǔ)的表示就越精確，不會(huì)出現(xiàn)語(yǔ)義混淆B.不同的詞向量模型，如Word2Vec和GloVe，生成的詞向量不能相互轉(zhuǎn)換和比較C.詞向量可以捕捉詞語(yǔ)之間的語(yǔ)義關(guān)系，例如相似性和相關(guān)性D.詞向量一旦生成就固定不變，不能根據(jù)新的文本數(shù)據(jù)進(jìn)行更新和優(yōu)化18、人工智能在氣象預(yù)測(cè)中的應(yīng)用可以提高預(yù)測(cè)的準(zhǔn)確性和精細(xì)化程度。假設(shè)要開(kāi)發(fā)一個(gè)能夠預(yù)測(cè)局部地區(qū)短期天氣變化的人工智能模型，需要考慮多種氣象因素的相互作用。以下哪種模型架構(gòu)和訓(xùn)練方法在處理這種復(fù)雜的時(shí)空數(shù)據(jù)方面表現(xiàn)更為出色？（）A.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）B.長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）C.門(mén)控循環(huán)單元（GRU）D.以上模型結(jié)合使用19、在人工智能的自動(dòng)駕駛感知任務(wù)中，假設(shè)需要同時(shí)處理來(lái)自多個(gè)傳感器（如攝像頭、激光雷達(dá)、毫米波雷達(dá)）的數(shù)據(jù)。以下哪種融合方式能夠更有效地綜合利用多源信息？（）A.早期融合，在特征層面進(jìn)行融合B.中期融合，在決策層面進(jìn)行融合C.晚期融合，在結(jié)果層面進(jìn)行融合D.隨機(jī)選擇一種傳感器的數(shù)據(jù)作為主要依據(jù)20、當(dāng)利用人工智能進(jìn)行輿情監(jiān)測(cè)和分析，及時(shí)了解公眾對(duì)某一事件或話題的看法和情緒傾向，以下哪種數(shù)據(jù)來(lái)源和分析手段可能是有效的？（）A.社交媒體數(shù)據(jù)和情感分析B.新聞評(píng)論數(shù)據(jù)和主題建模C.網(wǎng)絡(luò)搜索數(shù)據(jù)和趨勢(shì)預(yù)測(cè)D.以上都是21、在自然語(yǔ)言處理領(lǐng)域，情感分析是一項(xiàng)常見(jiàn)的任務(wù)。假設(shè)要分析大量的在線商品評(píng)論，以確定消費(fèi)者對(duì)產(chǎn)品的情感傾向是積極、消極還是中性?？紤]到語(yǔ)言的復(fù)雜性和多義性，以及評(píng)論中可能存在的諷刺、反語(yǔ)等情況，以下哪種方法在進(jìn)行情感分析時(shí)更為有效？（）A.基于詞典的方法，通過(guò)查找情感詞來(lái)判斷情感B.基于規(guī)則的方法，制定一系列的規(guī)則來(lái)判斷情感C.深度學(xué)習(xí)方法，如使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)文本進(jìn)行建模D.人工閱讀和判斷，確保準(zhǔn)確性22、人工智能在社交媒體的內(nèi)容管理中發(fā)揮作用。假設(shè)一個(gè)社交媒體平臺(tái)要利用人工智能過(guò)濾不良信息，以下關(guān)于其應(yīng)用的描述，哪一項(xiàng)是不正確的？（）A.基于自然語(yǔ)言處理技術(shù)和機(jī)器學(xué)習(xí)算法，識(shí)別不良內(nèi)容B.不斷學(xué)習(xí)和更新不良信息的模式，提高過(guò)濾的準(zhǔn)確性C.人工智能過(guò)濾系統(tǒng)能夠完全杜絕不良信息的出現(xiàn)，無(wú)需人工監(jiān)督D.平衡過(guò)濾的嚴(yán)格程度和用戶體驗(yàn)，避免誤判正常內(nèi)容23、深度學(xué)習(xí)模型在圖像識(shí)別任務(wù)中取得了顯著的成果。假設(shè)要訓(xùn)練一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別不同種類(lèi)的動(dòng)物，以下關(guān)于模型訓(xùn)練的描述，正確的是：（）A.增加網(wǎng)絡(luò)的層數(shù)一定能提高模型的識(shí)別準(zhǔn)確率，層數(shù)越多越好B.訓(xùn)練數(shù)據(jù)的數(shù)量和質(zhì)量對(duì)模型的性能影響不大，關(guān)鍵在于網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)C.模型在訓(xùn)練集上的準(zhǔn)確率很高，但在測(cè)試集上的準(zhǔn)確率很低，可能是出現(xiàn)了過(guò)擬合現(xiàn)象D.深度學(xué)習(xí)模型不需要進(jìn)行調(diào)參和優(yōu)化，直接使用默認(rèn)參數(shù)就能得到較好的結(jié)果24、強(qiáng)化學(xué)習(xí)是另一種機(jī)器學(xué)習(xí)方法，通過(guò)與環(huán)境進(jìn)行交互并根據(jù)獎(jiǎng)勵(lì)信號(hào)來(lái)學(xué)習(xí)最優(yōu)策略。以下關(guān)于強(qiáng)化學(xué)習(xí)的敘述，不準(zhǔn)確的是（）A.強(qiáng)化學(xué)習(xí)中的智能體通過(guò)不斷嘗試不同的動(dòng)作來(lái)獲取最大的累積獎(jiǎng)勵(lì)B.強(qiáng)化學(xué)習(xí)適用于解決序列決策問(wèn)題，如機(jī)器人控制和游戲策略制定C.強(qiáng)化學(xué)習(xí)不需要對(duì)環(huán)境有先驗(yàn)的了解，完全通過(guò)與環(huán)境的交互來(lái)學(xué)習(xí)D.強(qiáng)化學(xué)習(xí)的訓(xùn)練過(guò)程簡(jiǎn)單快速，通常能夠在短時(shí)間內(nèi)得到最優(yōu)的策略25、人工智能中的聯(lián)邦學(xué)習(xí)技術(shù)旨在保護(hù)數(shù)據(jù)隱私的同時(shí)實(shí)現(xiàn)模型的協(xié)同訓(xùn)練。假設(shè)多個(gè)機(jī)構(gòu)擁有各自的私有數(shù)據(jù)，需要共同訓(xùn)練一個(gè)模型。以下哪種聯(lián)邦學(xué)習(xí)算法或框架在處理數(shù)據(jù)異構(gòu)和通信效率方面表現(xiàn)更為優(yōu)秀？（）A.橫向聯(lián)邦學(xué)習(xí)B.縱向聯(lián)邦學(xué)習(xí)C.聯(lián)邦遷移學(xué)習(xí)D.以上框架根據(jù)具體情況選擇26、在人工智能的自動(dòng)駕駛場(chǎng)景中，車(chē)輛需要與周?chē)钠渌?chē)輛和基礎(chǔ)設(shè)施進(jìn)行有效的通信和協(xié)作。假設(shè)要實(shí)現(xiàn)車(chē)輛之間的安全、高效的信息交互，以下哪種通信技術(shù)和協(xié)議在可靠性和低延遲方面表現(xiàn)最為突出？（）A.4G通信B.5G通信C.車(chē)聯(lián)網(wǎng)專(zhuān)用短程通信（DSRC）D.Wi-Fi通信27、人工智能中的異常檢測(cè)在許多領(lǐng)域都有重要應(yīng)用，如網(wǎng)絡(luò)安全、金融欺詐檢測(cè)等。假設(shè)我們要在金融交易數(shù)據(jù)中檢測(cè)異常行為，以下關(guān)于異常檢測(cè)的方法，哪一項(xiàng)是不準(zhǔn)確的？（）A.基于統(tǒng)計(jì)模型的方法B.基于聚類(lèi)的方法C.基于規(guī)則的方法D.異常檢測(cè)不需要考慮數(shù)據(jù)的分布特征28、人工智能中的無(wú)監(jiān)督學(xué)習(xí)可以發(fā)現(xiàn)數(shù)據(jù)中的隱藏模式和結(jié)構(gòu)。以下關(guān)于無(wú)監(jiān)督學(xué)習(xí)的描述，不正確的是（）A.聚類(lèi)分析和主成分分析是常見(jiàn)的無(wú)監(jiān)督學(xué)習(xí)方法B.無(wú)監(jiān)督學(xué)習(xí)不需要事先標(biāo)注數(shù)據(jù)，能夠自動(dòng)從數(shù)據(jù)中學(xué)習(xí)特征C.無(wú)監(jiān)督學(xué)習(xí)的結(jié)果通常難以解釋和評(píng)估，應(yīng)用范圍相對(duì)較窄D.可以用于數(shù)據(jù)預(yù)處理、特征提取和異常檢測(cè)等任務(wù)29、在自然語(yǔ)言處理中，機(jī)器翻譯是一個(gè)重要的研究方向。假設(shè)要開(kāi)發(fā)一個(gè)能夠在多種語(yǔ)言之間進(jìn)行高質(zhì)量翻譯的系統(tǒng)。以下關(guān)于機(jī)器翻譯技術(shù)的描述，哪一項(xiàng)是不準(zhǔn)確的？（）A.基于規(guī)則的機(jī)器翻譯依靠人工編寫(xiě)的語(yǔ)法和詞匯規(guī)則進(jìn)行翻譯B.統(tǒng)計(jì)機(jī)器翻譯通過(guò)對(duì)大量雙語(yǔ)語(yǔ)料的統(tǒng)計(jì)分析來(lái)學(xué)習(xí)翻譯模式C.神經(jīng)機(jī)器翻譯利用深度神經(jīng)網(wǎng)絡(luò)模型，能夠生成更自然流暢的翻譯結(jié)果D.現(xiàn)有的機(jī)器翻譯技術(shù)已經(jīng)能夠完美處理各種領(lǐng)域和文體的文本，無(wú)需人工干預(yù)和修正30、人工智能中的智能監(jiān)控系統(tǒng)可以對(duì)視頻內(nèi)容進(jìn)行分析。假設(shè)要在一個(gè)公共場(chǎng)所的監(jiān)控系統(tǒng)中檢測(cè)異常行為，以下哪個(gè)因素對(duì)于檢測(cè)的準(zhǔn)確性至關(guān)重要？（）A.監(jiān)控?cái)z像頭的分辨率B.視頻數(shù)據(jù)的存儲(chǔ)方式C.算法對(duì)異常行為的定義和建模D.網(wǎng)絡(luò)帶寬二、操作題（本大題共5個(gè)小題，共25分)1、（本題5分）運(yùn)用Python的PyTorch框架，搭建一個(gè)基于注意力機(jī)制的文本生成模型。能夠生成連貫、有邏輯的文本內(nèi)容，如故事、詩(shī)歌等。2、（本題5分）運(yùn)用Python的Keras庫(kù)，構(gòu)建一個(gè)基于深度神經(jīng)網(wǎng)絡(luò)的圖像語(yǔ)義分割模型，對(duì)復(fù)雜場(chǎng)景進(jìn)行精確分割。3、（本題5分）利用Python的Keras庫(kù)，實(shí)現(xiàn)一個(gè)基于注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)模型，對(duì)微博文本數(shù)據(jù)進(jìn)行話題分類(lèi)。探索不同的注意力權(quán)重計(jì)算方法和模型結(jié)構(gòu)對(duì)分類(lèi)結(jié)果的影響。4、（本題5分）使用Python的Scikit-learn庫(kù)，實(shí)現(xiàn)支持向量機(jī)（SVM）算法對(duì)鳶尾花數(shù)據(jù)集進(jìn)行分類(lèi)，并通過(guò)調(diào)整核函數(shù)和參數(shù)來(lái)優(yōu)化分類(lèi)效果，比較不同設(shè)置下的性能。5、（本題5分）在Python中，運(yùn)