机器学习西瓜书课后习题答案---1、绪论 一、总结 一句话总结： 一些【特别花时间又不太重要】的东西（比如一些概念），可以【多参照别人的视频解释】，这样节约时间 1、试述机器学习在互联网搜索的哪些环节起什么作用？ 1.【消息推送】：比如当我搜索“机器学习”之后，再打开某些网页 ...

第一章 绪论 第二章 模型评估与选择 第三章 线性模型 第四章 决策树 第五章 神经网络 第六章 支持向量机 第七章 贝叶斯分类器 第八章 集成学习 第九章 聚类 第十章 降纬与度量学习 第十一章 特征选择与稀疏学习 第十二章 计算理论学习 第十三章 半监督学习 第十四 ...

第二章 模型评估与选择 2.1 经验误差与过拟合 错误率（error rate）：分类错误的样本数占样本总数的比例。 精度（accuracy）：1 - 错误率 误差（error）：学习器的实际预测输出与样本的真实输出之间的差异称为误差。 训练误差 ...

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

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 ...

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 ...

习题 6.1 　　试证明样本空间中任意点 \(\boldsymbol{x}\) 到超平面 \((\boldsymbol{w}, b)\) 的距离为式 \((6.2)\) . 　　设超平面为 \(\ell(\boldsymbol{w}, b)\) , \(\boldsymbol{x ...