機器學習西瓜書課后習題答案---2、模型評估 一、總結 一句話總結： 理解必然是個【逐步加深】的過程，所以前期可以【最短時間做最高效率】（重點、核心點、視頻）的事情 1、【Min-max】 規范化和【z-score】 規范化的優缺點？ 【Min-max】規范化：$$x ...

第一章 緒論 第二章 模型評估與選擇 第三章 線性模型 第四章 決策樹 第五章 神經網絡 第六章 支持向量機 第七章 貝葉斯分類器 第八章 集成學習 第九章 聚類 第十章 降緯與度量學習 第十一章 特征選擇與稀疏學習 第十二章 計算理論學習 第十三章 半監督學習 第十四 ...

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

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 ...

習題 6.1 　　試證明樣本空間中任意點 \(\boldsymbol{x}\) 到超平面 \((\boldsymbol{w}, b)\) 的距離為式 \((6.2)\) . 　　設超平面為 \(\ell(\boldsymbol{w}, b)\) , \(\boldsymbol{x ...

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 ...

第一章 緒論 http://blog.csdn.net/icefire_tyh/article/details/52065224 第二章 模型評估與選擇 http://blog.csdn.net/icefire_tyh/article/details/52065867 第三章 線性模型 ...