机器学习试卷——中南大学_第1页
机器学习试卷——中南大学_第2页
机器学习试卷——中南大学_第3页
机器学习试卷——中南大学_第4页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、一、判断题（1）极大似然估计是无偏估计且在所有的无偏估计中方差最小，所以极大似然 估计的风险最小。（2）回归函数A和B,如果A比B更简单，则A几乎一定会比B在测试集上 表现更好。（3）全局线性回归需要利用全部样本点来预测新输入的对应输出值，而局部线 性回归只需利用查询点附近的样本来预测输出值。所以全局线性回归比局部线性 回归计算代价更高。（4） Boosting的一个优点是不会过拟合。（5）在回归分析中，最佳子集选择可以做特征选择，当特征数目较多时计算量 大；岭回归和Lasso模型计算量小，且Lasso也可以实现特征选择。（6）梯度下降有时会陷于局部极小值，但EM算法不会。（7）支持向量机是判

2、别模型。T（8） ICA方法对于高斯分布的数据也有效。F（9）回归问题属于非监督学习的一种方法。F（10）聚类算法中不需要给出标签y。T二、考虑一个二分类器问题（Y为1或0）,每个训练样本X有两个特征XI、 X2 （0或1）。给出P （Y=0） =P （Y=l） =0.5,条件概率如下表：P（Xi|K）M =（）X1 = 1Y = 00.70.3y = i0.2（）,8p（x2|y）X? 二 0X2 = lY = 00.90.1y = 10.50.5分类器预测的结果错误的概率为期望错误率，Y是样本类别的实际值，V （XI, X2）为样本类别的预测值，那么期望错误率为：1 1Pp（r=i-y（x

3、bx2）= = i-y（xbx2）.Xi=0X2=0（1）给出XI, X2的所有可能值，使用贝叶斯分类器预测结果，填写下表:XIX2P (Xl,X2,Y=0)P (X1,X2,Y=1)Y(XLX2)00011011（2）计算给定特征（XI, X2）预测Y的期望错误率，假设贝叶斯分类器从无 限的训练样本中学习所得。（3）下面哪个有更小的期望错误率？a、仅仅给出XI,采用贝叶斯分类器预测Y。b、仅仅给出X2,采用贝叶斯分类器预测Y。（4）给出一个新的特征X3, X3的与X2保持完全相同，现在计算给定（XI, X2, X3）采用贝叶斯分类器预测Y的期望错误率，假设分类器从无限的训练数 据中学习所得。

4、（5）使用贝叶斯分类器会产生什么问题，为什么？三、交义验证1、4.给定如下数据集，其中X为输入变量，y为输出变量。假设考虑采用A-AW算法对工对应的），进行预测，其中距离度量采用不加权的欧氏距离。（12分）-0.10.7 1.01.6 2.0 2.53.2 3.54.14.9(1)算法1-NN的训练误差的是多少？（用分类错误的样本数目表示即口XY-0.1-0.7+1.0+1.6-2.0+2.5+3.2-3.5一4.1+4.9+同）（2）算法3-NN的训练误差是多少？（3）算法/-MV的LOOCV （留一交叉验证）估计误差是多少?（4）算法3-MV的LOOCV （留一交叉验证）估计误差是多少?四、用最大似然估计的方法估计高斯分布的均值和方差，并指出其局限性。五、随着信息化的发展，大数据的时代己经到来。

人人文库> 全部分类> 教育资料 > 备课教案

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论