题目描述： 编程实现对率回归，并给出西瓜数据集3.0\(\alpha\)上的结果。 编程实现 对数几率回归最小化损失函数（西瓜书公式3.27）如下： \[l(\beta) = \sum_{i=1}^m (-y_i\beta ^T x_i + ln(1+e^{\beta^T x_i ...

https://blog.csdn.net/kchai31/article/details/78966941 ...

做这道题花费了五天左右的时间，主要是python基础不怎么样，看着别人的代码，主要是参考https://blog.csdn.net/Snoopy_Yuan/article/details/636842 ...

本博客只包含3-9章代码编程课后习题的伪代码，仅作参考。 第三章 对数几率回归 3.3 编程实现对率回归，并给出西瓜数据集3.0α上的结果 输入：数据集3.0a 输出：测试集上的准确率 3.4 选择两个 UCI 数据集，比较 10 折交叉验证法和留一法所估计出的对率回归的错误率 ...

习题 3.1 　　试析在什么情况下式 \((3.2)\) 中不必考虑偏置项 \(b\) . 　　书中有提到, 可以把 \(x\) 和 \(b\) 吸收入向量形式 \(\hat{w} = (w;b)\) .此时就不用单独考虑 \(b\) 了. 　　其实还有很多情况不用, 比如说使用 ...

习题 5.1 　　试述将线性函数 \(f(\boldsymbol{x}) = \boldsymbol{w}^{\mathrm{T}}\boldsymbol{x}\) 用作神经元激活函数的缺陷. 　　理想中的激活函数是阶跃函数, 但是它不连续, 不光滑, 所以要一个连续、光滑的函数替代它. 线性 ...

2.1 数据集包含500正例和500反例，按照70%的比例划分训练集和验证集，则验证集需要有150个正例、150个反例， 则共有$ \left ( C_{500}^{150} \right )^ ...

习题 4.1 　　试证明对于不含冲突数据 (即特征向量完全相同但标记不同) 的训练集, 必存在与训练集一致 (即训练误差为 0)的决策树. 　　既然每个标记不同的数据特征向量都不同, 只要树的每一条 (从根解点到一个叶节点算一条) 枝干代表一种向量, 这个决策树就与训练集一致. 4.2 ...