设有如下定义：structsk{inta;floatb;}data,*p；若有p=&data；则对data中的a域的正确引用是()

机器学习中的有监督学习，主要体现为在自变量与因变量之间划上等号

机器学习中的有监督学习，本质上就是在自变量与因变量之间划等号

在玻意耳定律中，体积与压强(经过变换)之后划上了等号，表明二者质非相同，量却相等

划等号不只是表示“等同于”。质不相同、量却相等，体现的是事物之间的联系

结构风险最小化策略，主要是为了提升模型在训练集上的性能指标

结构风险最小化策略，主要是为了提升模型的泛化能力。泛化能力一般通过测试集（而非训练集）上的性能指标来近似

数据密集型科学发现是一种新的范式，无需掌握机理模型，也无需了解业务背景

业务敏感是第一位的，任何一个成功的数据分析项目，都离不开对业务背景的深入了解

对于特定情境的建模问题，正确的答案、正确的模型应该是唯一的

对于同一个问题情境，一般都会尝试不同的模型。我们所能做的，只是在当前已经尝试过的模型中，找到性能指标比较好的那个，未来也可能会有更多更好的模型。所以不存在所谓的唯一正确的模型。

常见的+属于泛型函数，ggplot2扩展包对其进行了扩展

（无）

要将数据框df(包含3列)的第2列和第3列调换位置，正确的代码是

选项B产生的是临时对象；选项C/D为数据框的行操作

对于一个100×8的数据框，若将其中的5列数据由宽变长，变换之后的数据框的行列数分别为

8列中的5列变为2列，加上其余的3列，共5列；原来的1行变为5行，共500行

宽数据变为长数据，将由之前的若干列变为两列

（无）

数据框中蕴含的关系结构包括

数据框是R算法建模过程中，最常用的数据对象，其中蕴含各类关系结构，包括映射关系、距离关系、伴随关系、相关关系、拓扑关系等

数据框中的自变量，一般都表现为数据空间的维度，而因变量的取值（如类别），一般表现为数据点的标签

（无）

在计算Hopkins统计量时，随机抽取的点的个数，一般接近于记录数

在计算Hopkins统计量时，随机抽取的点的个数，一般远远小于记录数，如取0.1×N或0.05×N

在支持度、置信度框架之下，FP-Growth等算法，可以挖出比Apriori算法更多更好的规则

在支持度和置信度框架之下，不同的挖掘算法仅体现在效率上有所不同，所挖出的关联规则并无区别

规则X→Y所表示的只是伴随关系，而非因果关系，即：X伴随着Y的出现而出现

该规则确实只是表示伴随关系而非因果关系，但准确的说法应该是Y伴随着X的出现而出现