哈工大2020秋機器學習期末試題

(1) 樣本標簽Y和屬性A1之間的信息可以選擇屬性。給出互信息的定義。
(2) 決策樹空間很大，用互信息（信息增益）選擇屬性的目的？這樣做有什么好處？
(3) 如何避免決策樹過擬合？

Y為類別（兩類，Y=0和Y=1）隨機變量，將真實類為1的樣本判斷為類0造成的損失為a，反之為b，如下表。那么期望損失最小意義下的分類準則？并用圖例說明。

Y：真實 \ 預測01

0	0	a
1	b	0

(1) 結合圖給出線性可分情況下的SVM的目標函數及約束條件
(2) 線性不可分的解決方案
(3) SVM分類函數中支持向量的意義

(1) 本課程中的參數估計方法
(2) 它們的區別
(3) 它們得到一致結果的條件

給定訓練集 $D=\{(x_i,y_i)\},i=1,...,N$ 有兩個類別，訓練邏輯回歸模型。
(1) 為什么目標函數用的是 $\log (Y|X)$ 而不是 $\log (X,Y)$
(2) 從邏輯回歸模型推導出樣本空間的分類決策面，給出推導

(1) 從信號重建的角度推導PCA
(2) 用PCA實現信號壓縮的方案

(1) k-means算法流程
(2) k-means的優化目標函數
(3) k-means和EM算法的相似和不同

本課程實驗一是單變量非線性的問題，如何處理成線性回歸問題，給出方案

總結

以上是生活随笔為你收集整理的[HITML]哈工大2020秋机器学习期末试题的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。