下列哪个算法最适合用于处理序列数据？A. 卷积神经网络（CNN）B. 循环神经网络（RNN）C. 线性回归D. 支持向量机（SVM）

考查要点：本题主要考查对常见机器学习算法应用场景的理解，特别是针对序列数据的处理能力。

解题核心思路：

• 序列数据的特点是数据点之间存在时间或顺序依赖关系（如时间序列、文本、语音等）。
• 需要明确各算法的核心功能：
  • CNN擅长处理空间结构数据（如图像），通过局部感受野提取特征。
  • RNN通过记忆单元（如LSTM）捕捉序列中的时序依赖关系。
  • 线性回归和SVM不处理序列的动态特性，仅适用于静态数据。

破题关键点：
直接关联算法与序列数据的核心需求——处理顺序依赖关系，即可快速锁定答案。

选项分析：

1. A. 卷积神经网络（CNN）

   • 优势：提取局部空间特征（如图像像素）。
   • 局限：默认不处理序列的时间依赖性，需特殊调整（如一维CNN）才可能适用。

2. B. 循环神经网络（RNN）

   • 核心设计：通过隐藏层传递历史信息，天然支持序列建模。
   • 典型应用：语言模型、机器翻译、时间序列预测。

3. C. 线性回归

   • 假设条件：输入与输出呈线性关系，无法建模复杂的序列依赖。

4. D. 支持向量机（SVM）

   • 功能定位：分类/回归，基于静态特征向量，不处理动态序列。

结论：RNN通过记忆机制直接处理序列数据的时序特性，是最佳选择。