计算与人工智能概论-问题求解、科学计算与AI应用方法 习题及答案 第11章参考答案

一、选择题1.在机器学习工作流程中，数据预处理的目的是（）。A.直接优化模型参数B.提高数据质量并适应模型需求C.替代特征提取步骤D.减少模型训练时间参考答案：B线性回归模型的损失函数通常采用（）。A.交叉熵损失B.均方误差（MSE）C.Hinge损失D.0-1损失参考答案：B逻辑回归中Sigmoid函数的作用是（）。A.将输出压缩到(0,1)区间表示概率B.计算特征权重C.衡量模型分类误差D.加速梯度下降收敛参考答案：A4.支持向量机（SVM）中，核函数的主要作用是（）。A.降低数据维度。B.将数据映射到高维空间以解决非线性问题。C.减少过拟合风险。D.初始化模型参数。参考答案：B5.神经网络中，激活函数（如ReLU）的核心功能是（）。A.计算损失函数梯度B.引入非线性变换C.归一化输入数据D.防止梯度爆炸参考答案：B6.使用OpenCV的实现神经网络分类任务时，以下操作的正确顺序是（）将原始标签转换为one-hot编码创建ANN_MLP模型对象使用minMaxLoc解析预测结果调用predict()方法进行预测设置网络层结构（setLayerSizes）配置激活函数（setActivationFunction）执行训练（train()）划分训练集和测试集A.8→1→2→5→6→7→4→3B.2→5→6→8→1→7→4→3C.8→2→5→6→1→7→4→3D.1→8→2→5→6→7→3→4参考答案：A二、简答题简述机器学习解决分类任务与回归任务的核心差异（从输出类型、模型选择、损失函数三方面说明）。答：分类任务输出离散类别（如“猫”“狗”），回归任务输出连续数值（如成绩、房价）。模型选择上，分类常用逻辑回归、SVM、神经网络配合Softmax/Sigmoid；回归常用线性回归、SVR等。损失函数方面，分类多用交叉熵损失，衡量预测概率与真实标签的差异；回归则用均方误差（MSE），衡量预测值与真实值的平方偏差。三者共同体现两类任务在目标、方法和评价上的本质区别。SVM中“支持向量”的定义是什么？为何说SVM的决策边界仅由支持向量决定？答：支持向量是训练样本中距离分类超平面最近的那些点，它们位于最大间隔边界（即“间隔带”）上。SVM的目标是最大化分类间隔，而这一间隔完全由这些最靠近边界的样本决定。SVM的决策边界（最优超平面）仅由支持向量决定，因为：优化问题的解仅依赖支持向量：SVM通过拉格朗日对偶形式求解，最终模型参数（权重和偏置）仅与支持向量的拉格朗日乘子（非零）有关；非支持向量不影响边界：移除或移动非支持向量（只要不越过间隔带），不会改变决策边界位置。因此，SVM具有稀疏性，模型复杂度取决于支持向量数量而非全部样本。使用OpenCV实现SVM时，需调用哪些核心函数完成训练和预测？答：使用OpenCV实现SVM时，完成训练和预测需调用以下核心函数：（1）创建模型：cv::Ptr<cv::ml::SVM>svm=cv::ml::SVM::create();（2）设置参数（如核函数、C、Gamma等）：svm->setKernel(cv::ml::SVM::RBF);svm->setC(1000);svm->setGamma(0.001);（3）训练模型：svm->train(samples,cv::ml::ROW_SAMPLE,labels);其中samples为特征矩阵（cv::Mat），labels为标签向量。（4）进行预测：floatresult=svm->predict(sample);//单样本//或svm->predict(testSamples,predictions);//多样本这些函数构成了OpenCV中SVM训练与预测的核心流程。神经网络中“全连接层”的含义是什么？写出其数学表达式写出其数学表达式（假设输入向量为

x，权重矩阵为

W，偏置为

b）。答：全连接层（FullyConnectedLayer）是指该层中每个神经元都与前一层的所有神经元相连，即每个输出单元接收全部输入并进行加权求和，再加偏置，通常后接激活函数。其数学表达式为：z=Wx+b其中：x∈Rn是输入向量，W∈Rm×n是权重矩阵（m为本层神经元数），b∈Rm是偏置向量，z∈Rm是线性输出（激活前的值）。若引入激活函数f(⋅)，则最终输出为y=f(Wx+b)使用OpenCV实现神经网络时，需要调用哪些核心函数或方法来完成以下任务：创建多层感知机（MLP）模型；设置网络层结构（如输入层6节点、隐藏层10节点、输出层3节点）；配置激活函数；使用反向传播算法训练网络；对新样本进行预测。答：在OpenCV中使用cv::ml::ANN_MLP实现多层感知机（MLP），核心函数如下：（1）创建MLP模型：cv::Ptr<cv::ml::ANN_MLP>mlp=cv::ml::ANN_MLP::create();（2）设置网络层结构（输入6、隐藏10、输出3）：cv::Matlayers=(cv::Mat_<int>(1,3)<<6,10,3);mlp->setLayerSizes(layers);（3）配置激活函数（如ReLU或sigmoid）：mlp->setActivationFunction(cv::ml::ANN_MLP::SIGMOID_SYM);//或RELU（4）训练网络（默认使用反向传播，可配合RPROP等）：mlp->train(samples,cv::ml::ROW_SAMPLE,labels);其中samples为样本特征矩阵，labels为标签（分类任务需用one-hot编码或整数标签，视训练模式而定）。（5）对新样本预测：floatprediction=mlp->predict(sample);//单样本//或mlp->predict(testSamples,results);//多样本以上步骤完成OpenCV中MLP的构建、配置、训练与预测。三、编程题1．对于程序11.1线性回归算法的代码，修改Predict函数，使其能输出预测值的同时，计算并返回预测值与真实值的绝对误差。voidPredict(doubletheta0,doubletheta1,doublex,doubletrueValue,double*prediction,double*absError){*prediction=theta0+theta1*x;//预测值*absError=fabs(*prediction-trueValue);//绝对误差}对于程序11.2逻辑回归算法的代码，修改Predict函数，使其在返回概率值的同时，根据阈值（默认0.5）输出预测类别（0或1），并计算分类准确率（正确预测样本数/总样本数）。//返回概率值，并通过指针输出预测类别（0或1）doublePredict(doubletheta0,doubletheta1,doubletheta2,doublex1,doublex2,int*predictedClass){doubleprob=1.0/(1.0+pow(E,-(theta0+theta1*x1+theta2*x2)));*predictedClass=(prob>=0.5)?1:0;//默认阈值0.5returnprob;}3、在公共数据网站（如/datasets/）选择并下载自己感兴趣的数据集，使用OpenCv的SVM或神经网络搭建并训练一个模型，并进行预测。第一步：准备数据集下载数据集：访问UCIMachineLearningRepository的鸢尾花数据集页面：/ml/datasets/iris下载iris.data文件。创建CSV文件：在iris.data文件的第一行添加列名（标题行）：sepal_length,sepal_width,petal_length,petal_width,class将文件保存为iris.csv。该数据集包含150个样本，4个特征（花萼和花瓣的长度与宽度），以及3个类别（Iris-setosa,Iris-versicolor,Iris-virginica）。第二步：编写OpenCVC++代码以下代码将完成：加载数据、预处理（标签编码）、划分训练/测试集、创建并训练SVM、评估模型、对新样本进行预测。#include<iostream>#include<fstream>#include<sstream>#include<string>#include<vector>#include<opencv2/opencv.hpp>#include<opencv2/ml.hpp>usingnamespacestd;usingnamespacecv;usingnamespacecv::ml;//辅助函数：从CSV文件加载数据boolloadIrisDataset(conststring&filename,Mat&samples,Mat&labels){ifstreamfile(filename);if(!file.is_open()){cerr<<"Error:Couldnotopenfile"<<filename<<endl;returnfalse;}stringline,cell;vector<vector<float>>data;vector<int>target;//跳过标题行getline(file,line);while(getline(file,line)){if(line.empty())continue;stringstreamss(line);vector<float>row;intcol=0;while(getline(ss,cell,',')){if(col<4){//前4列是数值特征row.push_back(stof(cell));}else{//最后一列是类别标签if(cell=="Iris-setosa"){target.push_back(0);}elseif(cell=="Iris-versicolor"){target.push_back(1);}elseif(cell=="Iris-virginica"){target.push_back(2);}}col++;}data.push_back(row);}file.close();//将vector转换为OpenCVMatsamples=Mat(data).clone();labels=Mat(target).reshape(1,target.size()).clone();//转为单列矩阵cout<<"Loaded"<<samples.rows<<"sampleswith"<<samples.cols<<"features."<<endl;returntrue;}intmain(){//1.加载数据Matall_samples,all_labels;if(!loadIrisDataset("iris.csv",all_samples,all_labels)){return-1;}//2.划分训练集和测试集(这里简单按顺序划分，实际应用中建议随机打乱)inttotal_samples=all_samples.rows;inttrain_count=static_cast<int>(total_samples*0.8);//80%用于训练inttest_count=total_samples-train_count;Mattrain_samples=all_samples(Range(0,train_count),Range::all());Mattrain_labels=all_labels(Range(0,train_count),Range::all());Mattest_samples=all_samples(Range(train_count,total_samples),Range::all());Mattest_labels=all_labels(Range(train_count,total_samples),Range::all());//确保数据类型正确train_samples.convertTo(train_samples,CV_32F);train_labels.convertTo(train_labels,CV_32S);test_samples.convertTo(test_samples,CV_32F);//3.创建并配置SVM模型Ptr<SVM>svm=SVM::create();svm->setType(SVM::C_SVC);//用于分类svm->setKernel(SVM::RBF);//使用RBF核函数svm->setC(1.0);//惩罚系数svm->setGamma(0.1);//RBF核参数svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER+TermCriteria::EPS,1000,1e-6));//4.训练模型cout<<"TrainingSVMmodel..."<<endl;svm->train(train_samples,ROW_SAMPLE,train_labels);cout<<"Trainingcompleted."<<endl;//5.在测试集上进行预测并计算准确率Matpredictions;svm->predict(test_samples,predictions);intcorrect=0;for(inti=0;i<test_count;i++){intpredicted=static_cast<int>(predictions.at<float>(i,0));intactual=train_labels.type()==CV_32S?test_labels.at<int>(i,0):static_cast<int>(test_labels.at<float>(i,0));if(predicted==actual){correct++;}}doubleaccuracy=static_cast<double>(correct)/test_count;cout<<"TestAccuracy:"<<accuracy*100<<"%"<<