機器學習西瓜書課后習題答案---1、緒論 一、總結 一句話總結： 一些【特別花時間又不太重要】的東西（比如一些概念），可以【多參照別人的視頻解釋】，這樣節約時間 1、試述機器學習在互聯網搜索的哪些環節起什么作用？ 1.【消息推送】：比如當我搜索“機器學習”之后，再打開某些網頁 ...

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 ...

第二章 模型評估與選擇 2.1 經驗誤差與過擬合 錯誤率（error rate）：分類錯誤的樣本數占樣本總數的比例。 精度（accuracy）：1 - 錯誤率 誤差（error）：學習器的實際預測輸出與樣本的真實輸出之間的差異稱為誤差。 訓練誤差 ...

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

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 ...

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 ...