搜索
1、监督学习与无监督学习的主要区别是什么？分别列举应用两者的例子（或算法名称）。2、在梯度下降算法中有时会出现梯度下降来回振荡，所需时间较长。可以通过什么方法使其收敛更快？例如：原参数为：X1=size取值范围：0~200；X2=number取值范围：1~53、假设房价预测模型为：h(x)=Ѳ0+Ѳ1X1+Ѳ2X2，其中X1、X2分别为房间的开间、进深长度。现在选择新的特征-房间面积X，得到新的学习算法。已知训练集中面积与房价的关系如图所示：请构造合适的多项式作为新的学习算法。4、简述自己对欠拟合和过拟合的理解，必要时可画图辅助说明。5、有如图曲线f（Ѳ）。欲求f（Ѳ）=0时的Ѳ值，请用牛顿迭代法在图中画出两次迭代的示意图。Ѳ初始值取4.5。6、请写出指数分布族的一般表达形式。7、用极大似然估计求算Ѳ使得最大。简要写出推导步8、简述对laplace平滑理解，可以举例说明；9、按自己的理解简述参数学习算法和非参数学习算法的区别；10、按自己的理解简述判别学习算法和生成算法的区别。参考答案：并非标准答案，只要理解正确即可。1、主要区别是监督学习中有属性的标签，而无监督学习则没有；例子：监督学习——根据房价与房间面积对房价进行预测；无监督学习——网页搜索将相关新闻聚在一起算法：监督学习——支持向量机、线性回归决策树神经网络；无监督学习——k-聚类等各种聚类方法、主成分分析2、可利用特征缩放方法例如：原参数为X1=size取值范围：0~200X2=number取值范围：1~5利用特征缩放方法后变为X1=size/200X2=number/53、h(x)=Ѳ0+Ѳ1X+Ѳ2X2+Ѳ3X34、首先欠拟合、过拟合没有明确的定义分界明显的未充分利用数据，拟合结果不符合预期，甚至不能有效拟合训练集，我们可以认为欠拟合；考虑过多，超出自变量的一般含义维度，过多考虑噪声，会造成过拟合。可以认为预测准确率、召回率都比理论上最佳拟合函数低很多，则为欠拟；训练集预测效果好，测试集预测效果差，则为过拟合。或者简单的讲：对于特征集过小的情况，称之为欠拟合（underfitting）；对于特征集过大的情况，称之为过拟合（overfitting）例如：给定一个数据集，根据x预测y.最左边的函数为，并不能很好的拟合数据；中间的加了一个额外的特性，函数为，稍微更好地拟合了数据；似乎我们增加越多的特性，拟合程度越好；但是增加太多的特性是很危险的，最右边的图是一个五阶的多项式，虽然很好的拟合了给定的数据集，但是这个并不是一个很好的预测函数。欠拟合（underfitting）：很明显有一些没有被模型捕获的结构，比如说最左边的图.过拟合(overfitting)：最右边的就是一个过拟合的例子.因此说，特性的选择对于学习算法的性能来说是很重要的！！！5、两次迭代还得再往下画一步6、若一类概率分布可以写成如下形式，那么它就属于指数分布族：η-自然参数，通常是一个实数T(y)–充分统计量，通常，T(y)=y，实际上是一个概率分布的充分统计量（统计学知识）对于给定的a，b，T三个函数，上式定义了一个以η为参数的概率分布集合，即改变η可以得到不同的概率分布7、令对Θ求导的值为零，求得Θ即可。8、在统计上来说，在你有限的训练集中没有见过就认为概率是0是不科学的为了上述问题，我们用laplace平滑来优化这个问题.分子加1，分母加k（j的取值范围的大小）。可以举适当的例子说明。9、参数学习算法（parametriclearningalgorithm）：是一类有固定数目参数，以用来进行数据拟合的算法。设该固定的参数集合为。线性回归即使参数学习算法的一个例子非参数学习算法（Non-parametriclearningalgorithm）：参数数量会随m（训练集大小）增长的算法。通常定义为参数数量虽m线性增长。换句话说，就是算法所需要的东西会随着训练集合线性增长，算法的维持是基于整个训练集合的，即使是在学习以后。10、判别学习算法（discriminativelearningalgorithm）:直接学习p(y|x)（比如说logistic回归）或者说是从输入直接映射到{0,1}.生成学习算法（generativelearningalgorithm）:对p(x|y)（和p(y)）进行建模.简单的来说，判别学习算法的模型是通过一条分隔线把两种类别区分开，而生成学习算法是对两种可能的结果分别进行建模，然后分别和输入进行比对，计算出相应的概率。