題目描述： 編程實現對率回歸，並給出西瓜數據集3.0\(\alpha\)上的結果。 編程實現 對數幾率回歸最小化損失函數（西瓜書公式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 ...

做這道題花費了五天左右的時間，主要是python基礎不怎么樣，看着別人的代碼，主要是參考https://blog.csdn.net/Snoopy_Yuan/article/details/636842 ...

本博客只包含3-9章代碼編程課后習題的偽代碼，僅作參考。 第三章 對數幾率回歸 3.3 編程實現對率回歸，並給出西瓜數據集3.0α上的結果 輸入：數據集3.0a 輸出：測試集上的准確率 3.4 選擇兩個 UCI 數據集，比較 10 折交叉驗證法和留一法所估計出的對率回歸的錯誤率 ...

習題 3.1 　　試析在什么情況下式 \((3.2)\) 中不必考慮偏置項 \(b\) . 　　書中有提到, 可以把 \(x\) 和 \(b\) 吸收入向量形式 \(\hat{w} = (w;b)\) .此時就不用單獨考慮 \(b\) 了. 　　其實還有很多情況不用, 比如說使用 ...

習題 5.1 　　試述將線性函數 \(f(\boldsymbol{x}) = \boldsymbol{w}^{\mathrm{T}}\boldsymbol{x}\) 用作神經元激活函數的缺陷. 　　理想中的激活函數是階躍函數, 但是它不連續, 不光滑, 所以要一個連續、光滑的函數替代它. 線性 ...

2.1 數據集包含500正例和500反例，按照70%的比例划分訓練集和驗證集，則驗證集需要有150個正例、150個反例， 則共有$ \left ( C_{500}^{150} \right )^ ...

習題 4.1 　　試證明對於不含沖突數據 (即特征向量完全相同但標記不同) 的訓練集, 必存在與訓練集一致 (即訓練誤差為 0)的決策樹. 　　既然每個標記不同的數據特征向量都不同, 只要樹的每一條 (從根解點到一個葉節點算一條) 枝干代表一種向量, 這個決策樹就與訓練集一致. 4.2 ...