機器學(xué)習(xí) 試卷2套

試卷1填空題（每空1分共20分）機器學(xué)習(xí)通常是指：為完成某種任務(wù)，給定訓(xùn)練集D，在性能測度P指導(dǎo)下，通過學(xué)習(xí)獲得一個被稱為模型的映射函數(shù)。獲取模型參數(shù)是機器學(xué)習(xí)訓(xùn)練階段的一個主要目的。機器學(xué)習(xí)根據(jù)訓(xùn)練集樣本是否標(biāo)注分為監(jiān)督學(xué)習(xí)、弱監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。損失函數(shù)或代價函數(shù)是指在訓(xùn)練階段基于訓(xùn)練集D，用來衡量模型預(yù)測值yn與真實值yn之間的差異性的一個關(guān)于模型參數(shù)原始數(shù)據(jù)樣本集可能出現(xiàn)離群點、數(shù)據(jù)丟失和屬性量綱不一致情況。不同于遵循奈奎斯特定理的采樣，壓縮采樣則是采用低于奈奎斯特頻率的采樣。給定樣本集D，估計概率密度函數(shù)px|?的參數(shù)?，通常有極大似然估計分類樣本數(shù)量越多，近鄰分類器復(fù)雜度越大。利用kd樹可以省去對大部分樣本的搜索，從而減少計算量加速近鄰樣本搜索。嶺回歸是在線性回歸基礎(chǔ)之上，增加了正則項，γw集成學(xué)習(xí)主要有裝袋、提升和堆疊三類學(xué)習(xí)機制。ID3采用信息增益選擇屬性，而C4.5采用信息增益比選擇屬性。聚類算法中，確定類簇中心的方法主要有兩種：基于均值的類簇中心和基于密度的類簇中心。從結(jié)構(gòu)上，概率圖模型可表示成有向概率圖和無向概率圖。人工神經(jīng)元基本模型線性變換和激活模擬了神經(jīng)元樹突與上一級神經(jīng)元突觸的連接強度和動作電位。利用反向傳播訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)需要計算兩個梯度：?L?尺寸為5×4圖像采用Convn,k,c,s,p,q選擇題（每小題2分共20分）分界線正例反例圖分界線正例反例圖選擇題2如右圖的二類分類結(jié)果，計算檢測正例的準(zhǔn)確率(D)A．0.90；B.0.75;C.0.45;D.0.818處理量綱不一致問題通常利用屬性值均值和（C）進行歸一化。μ=1NμiC.σD.σ如果有10類，每類20個樣本（每個樣本的原始數(shù)據(jù)是1000維屬性向量），采用PCA降維，降維后屬性向量維度上限是（B）A．1000；B.199;C.10;D.19設(shè)有C個類別，Y=1,…,c,…,C,給定一個未知類別的樣本xn和一種相似度度量。kc為以樣本xnA.yn=argmaxc∈Ykc在原樣本空間中線性不可分問題，SVM(C)。A.無法處理；B.在原空間中尋找線性函數(shù)劃分?jǐn)?shù)據(jù)；C.采用核函數(shù)將樣本映射到核空間后，再進行分類，即KSVMD.在原空間中尋找非線性函數(shù)的劃分?jǐn)?shù)據(jù)；下列哪種不是決策樹（A）A.KD樹；B.CART樹；C.ID3樹;D.C4.5樹在平面上兩點：A0,0,B(4,3),A.4；B.3；C.5;D.7cabbbba(b)cabbba(b)(c)(d)結(jié)點類型caccbaA.(a)；B.(b)；C.(c);D.(d)Q-learning算法中，Q函數(shù)是是（A）A.狀態(tài)-動作價值函數(shù)；B.狀態(tài)函數(shù)；C.策略函數(shù);D.獎勵函數(shù)是非題（每小題1分共10分）最小二乘法因為通過列方程求解閉合解，所以適合于大數(shù)據(jù)集。（×)在樣本表征值的空間分布上，類內(nèi)距離越小和類間距離越大，越有利于實現(xiàn)模式分類。（√）加權(quán)最近鄰分類器中的w1,w二分類超平面的梯度，?fx;w?SVM尋找具有最小邊緣的超平面,也被稱為最小間隔分類器。（×)表征學(xué)習(xí)主要目的是對屬性向量進行降維，核方法則是對線性不可分的樣本屬性向量進行升維。（√）在Adaboost算法訓(xùn)練階段，可以隨機生成初始化權(quán)向量，不需要進行歸一化處理。（×)前饋神經(jīng)網(wǎng)絡(luò)實際上是多隱含層的感知機。（√）在DQN中，求解Q(s,a)時采用的決略時優(yōu)先采樣(s,a)，并通過采樣值估計Q(s,a)。（√）Actor-Critic是一種以價值強化學(xué)習(xí)和基于策略強化學(xué)習(xí)為基礎(chǔ)的結(jié)合體。（√）20214320214365871091211141316152443658710912111413161521436587109121114131615（10分）設(shè)有如右圖所示的10張圖像，請用PCA算法對其進行表征學(xué)習(xí)，列出其詳細(xì)過程。參考答案：第一步，將二維圖像一維化，x第二步，構(gòu)建數(shù)據(jù)矩陣Z第三步，計算協(xié)方差矩陣S=第四步，對S進行奇異值分解，獲得特征值和對應(yīng)特征向量，λw第五步，保留前l(fā)個最大特征值對應(yīng)的特征向量，構(gòu)成映射矩陣，W=（8分）簡答：說說層次聚類中的兩種劃分策略：自底向上的凝聚策略和自頂向下的分拆策略。答：凝聚策略初始時將每個樣本點當(dāng)做一個類簇，然后依據(jù)相似度準(zhǔn)則合并相似度最大的類簇，直到達到終止條件。分拆策略初始時將所有的樣本歸為一個類簇，然后依據(jù)某種相似度準(zhǔn)則找出簇中最不相似的兩個樣本xi和xSIDEGSIDEGIDIDSEGfffffIDSEGfff(10分)用錯誤驅(qū)動法學(xué)習(xí)用于實現(xiàn)與非門的單層感知機參數(shù)，y參考答案：213547681092135476810912111413請計算：(1)概率p6,左|5，p6,(2)當(dāng)狀態(tài)價值初始值為零時，計算第1次。解：(1)p6,左|5=0，(2)Vk=0,0.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.0設(shè)γ=1k=-1-1-10.0-1-1-1-1-10.0-1-1-1-1-1-1-1V

試卷2填空題（每空1分共20分）屬性又稱為特征，由特征值構(gòu)成的向量描繪數(shù)據(jù)的特性，可以分為連續(xù)和離散兩種。盡管機器學(xué)習(xí)任務(wù)多種多樣，但機器學(xué)習(xí)還是可以歸納成分類和回歸兩種基本任務(wù)。目標(biāo)函數(shù)是在代價函數(shù)基礎(chǔ)之上，加上約束項而建立起來的關(guān)于模型參數(shù)的函數(shù)。表征學(xué)習(xí)的目的通常是將高維屬性向量經(jīng)某種變換映射成低維屬性向量，要求：降維前后樣本間的位置關(guān)系保持不變。重構(gòu)稀疏信號的算法有匹配追蹤、正交匹配追蹤和基追蹤等。與嶺回歸區(qū)別在于：Lasso回歸用γw11代替對于近似線性可分類，SVM的超平面到?jīng)Q策平面的間隔稱為軟間隔。自助采樣法每次從訓(xùn)練集D隨機抽一個樣本，然后放回去再抽取。CART決策樹采用基尼指數(shù)劃分屬性。在聚類算法中，常用的距離測度是歐氏距離、曼哈頓距離、閔可夫斯基距離和值差異度量。隱馬爾科夫模型和貝葉斯網(wǎng)絡(luò)是屬于有向概率圖模型。概率無向圖模型中，條件獨立性有三種形式：全局馬爾可夫性、局部馬爾可夫性和成對馬爾可夫性。y=sigmx=11+強化學(xué)習(xí)中有三個要素：狀態(tài)、動作和獎勵。時序差分學(xué)習(xí)TD(0)表示向前一個狀態(tài)近似計算G選擇題（每小題2分共20分）在多類分類任務(wù)，預(yù)測值通常通過softmax(y分界線正例反例圖選擇題分界線正例反例圖選擇題2A．0.90；B.0.818;C.0.85;D.0.105如果有10類，每類20個樣本（每個樣本的原始數(shù)據(jù)是1000維屬性向量），采用LDA降維，降維后屬性向量維度上限是（C）A．1000；B.199;C.9;D.19在表征學(xué)習(xí)算法中，（D）上被用來展示高維樣本數(shù)據(jù)的分布情況。A．PCA；B.LDA;C.流形學(xué)習(xí);D.t-SNE。壓縮感知理論中，構(gòu)建或?qū)W習(xí)字典是一個關(guān)鍵環(huán)節(jié)，其中學(xué)習(xí)算法很多，其中之一是（A）A．k-SVD；B.LDA;C.OMP;D.MP。設(shè)二類分類任務(wù)的超平面為w0+w1x1+wA．z=wxnx12C.z=x12+x22+?xd徑向基函數(shù)(RadialBasisFunctions,RBF)的公式是（D）A.B.C.D.Adaboost算法中，通過下式計算對某樣本關(guān)注度系數(shù)，β下列說法不正確的是（C）βt,n與弱分類器如果樣本xn被性能優(yōu)良的htxn如果樣本xn被性能優(yōu)差的htxn如果樣本xn被性能優(yōu)差的htxnx3x1x5xxxxxxx1x2x5xSwish激活函數(shù)的表達式(C)A.B.C.D.是非題（每小題1分共10分）在訓(xùn)練過程中，梯度消失和梯度爆炸都是應(yīng)該盡量避免的現(xiàn)象。(√)學(xué)習(xí)率是一個可以動態(tài)調(diào)整的參數(shù)，所以不是超參數(shù)。(×)流形學(xué)習(xí)是一種非線性降維算法。(√)在SVM，位于邊界的正類樣本點為支持向量，而負(fù)類樣本點則不是。(×)不增加模型參數(shù)，將訓(xùn)練樣本屬性向量從低維空間非線性映射到高維空間，然后在高維空間學(xué)習(xí)線性模型，這是核方法的基本思路。(√)決策樹是一種具有樹形結(jié)構(gòu)的非參數(shù)監(jiān)督學(xué)習(xí)，只能用于分類。(×)集成學(xué)習(xí)算法中，弱分類器數(shù)目越多，整體分類器性能越好。(×)召回率在聚類算法中用來衡量聚類的完整性。(×)感知機學(xué)習(xí)算法是一種錯誤驅(qū)動學(xué)習(xí)算法.(√)反向傳播只能用于訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)，而不能訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。(×)綜合應(yīng)用題（共50分）（12分）用四個等級衡量學(xué)生課后花在《機器學(xué)習(xí)》上的時間“很少(低于30小時)、較少(介于31-60)、正常(介于61-100)和熱愛(大于100)”。屬性變量x=很少,較少,正常,熱愛，用《機器學(xué)習(xí)》課程考試2個等級作為類別表1考試情況表隨機變量x很少較少正常熱愛人數(shù)153424用功概率分布，P(x)0.010.530.420.04及格優(yōu)秀及格優(yōu)秀及格優(yōu)秀及格優(yōu)秀103023152704優(yōu)秀類概率分布，P(x|0.000.430.500.07及格類概率分布，P(x|0.020.650.330.00八戒，屬于較少花時間，P先驗概率：Py=優(yōu)秀P(12分)設(shè)有一個由13個樣本點組成二維樣本集，X={-試構(gòu)建該樣本集的kd樹。(8分