机器学习课后题2.5-1、2

最新推荐文章于 2023-05-07 22:01:38 发布
最新推荐文章于 2023-05-07 22:01:38 发布
阅读量3.6k 收藏 31
点赞数 3
文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Katelalala/article/details/124564655
版权

2.5练习题的第1、2题

计算点（1,2,3）和点（3,4,8）的L1、L2、L距离

 

2、平面上有以下五个点：（1，2）、（2,4）、（1，-1）、（2,5）、（0，-3），用k-means算法对其进行簇数为2的聚类，初始簇中心为（0,0）、（5,5），给出经过1轮迭代和2轮迭代后的簇中心坐标。

Katelalala
关注
  • 3
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
机器学习课后习题答案.pdf
02-12
机器学习课后习题答案.pdf
机器学习（周志华）课后习题
paintShadow的博客
10-21 7053
机器学习记录
李宏毅机器学习--课后作业HW_1
青春正当时
07-19 9776
看了李宏毅老师讲的机器学习课程，真的是受益匪浅，老师讲课非常有意思，不是空洞的讲数学公式，以及抽象的理论，通过在课堂上加入游戏元素来引导大家学习，我个人觉得这种方式是很好的，而且原理讲的也很清楚，适合小白学习，这里有B站的视频链接，有兴趣的可以去看一下【李宏毅《机器学习》-哔哩哔哩】，因为没有字幕，所以可以配着学习笔记学（李宏毅机器学习笔记，来自于Datawhale的学习笔记，这个平台也是国内一个很好的学习AI的开源平台，有兴趣的可以去关注下）
【机器学习】西瓜书课后习题参考答案—第2章模型评估与选择
一个甜甜的大橙子的博客
05-07 1694
记录西瓜书课后习题的思考与参考答案。
机器学习——课后习题解答
热门推荐
大墅哥哥的博客
06-08 1万+
文章目录 第一章绪论 1. 表1.1中若只包含编号为1和4的两个样例，是给出相应的版本空间。 2. 与使用单个合取式来进行假设表示相比，使用“析合范式”将使得假设空间具有更强的表示能力，例如 3. 若数据包含噪声，则假设空间中有可能不存在与所有训练样本都一致的假设。在此情形下，试设计一种归纳偏好用于假设选择。 4. 本章在1.4节在论述“没有免费的午餐”定理时，默认使用了“分类错误率”作为性能度量来对分类器进行评估。若换用其他性能度量\ellℓ,则式(1.1)将改为下式，试证明NLF仍然成立。 5. 试述机
机器学习-周志华-课后习题-模型选择与评估
庐州小白的博客
05-06 514
文中提到，在机器学习的过程中，过拟合总是无法彻底避免的。其中，关于P与NP的论述，个人理解为：对于一个有效的算法，它一定要在多项式时间内运行完成。此时，算法可以恰当程度地学习到所需要的知识，也就是说既不会欠拟合，也不会过拟合，此时学习得到的模型是最优的。但是通常而言，机器学习问题是NP-Hard，甚至更难的问题，倘若多项式时间的算法可以解决NP-Hard问题。也就是说，我们创造性地证明了P=NPP=NPP=NP，这个计算机理论难题。然而，当前我们一般认为NP-Hard问题多项式时间内不可解。也就是说，过..
《机器学习》周志华第二章课后习题
huzimu_的博客
03-13 4753
《机器学习》周志华第二章课后习题 2.1 组合数，500选150的平方 2.2 “假设学习算法所产生的模型是将新样本预测为训练样本数较多的类别（训练样本数相同时随即预测） 10折交叉验证正确率为50% 留一法为0，解释如下： 两种情况： 训练集中45正，44反，测试集1个反，预测为正； 训练集中45反，44正，测试机1个正，预测为反。 2.3 若学习器A的 F1 值比学习器B 高，试分析析A的 BEP 值是否也比 B高. 不一定，二者关联度不大。F1是由P和R确定的，此时的阈值应该是确定的，但是P和R
机器学习--周志华课后作业---第2章 模型评估与选择
tangxianyu的博客
02-28 1491
2.1 数据集包含 1000 个样本，其中 500 个正例、 500 个反例，将其划分为包含 70% 样本的训练集和 30% 样本的测试集用于留出法评估，估算有多少种划分方式。 答： 排列组合问题。 训练/测试集的划分要尽可能保存数据分布一致 那么训练集中应该包括 350 个正例和 350 个反例，剩余的作测试集，那么划分方式应该有 (x500350)2(x_{500}^{350})^{2}(x500350​)2种。 2.2 数据集包含 100 个样本，其中正反例各一半，假定学习算法所产生的模型是将新
李宏毅机器学习2020课后作业笔记 【hw1】 pm2.5值的预测
fomoo的博客
05-23 845
李宏毅机器学习2020课后作业 hw11. 问题描述2. 数据预处理3. 模型构建4. 模型评估5. 个人总结 1. 问题描述 2. 数据预处理 3. 模型构建 4. 模型评估 5. 个人总结
机器学习部分课后习题答案（较完整）
06-02
机器学习部分课后习题答案（较完整）机器学习部分课后习题答案（较完整）机器学习部分课后习题答案（较完整）机器学习部分课后习题答案（较完整）机器学习部分课后习题答案（较完整）机器学习部分课后习题答案（较...
机器学习课后习题.zip
最新发布
05-08
机器学习课后习题.zip 机器学习课后习题.zip 机器学习课后习题.zip 机器学习课后习题.zip
机器学习周志华课后习题编程题，Python实现
01-02
3.5，编程实现线性判别分析，并给出西瓜数据集3.0a上的结果。 4.10 从网上下载或自己编程实现...8.5 试编程实现 Bagging，以决策树桩为基学习器，在西瓜数据集 3.0α 上训练一个 Bagging 集戚，井与图 8.6 进行比较.
基于机器学习的PM2.5预测与分析系统
04-27
# 系统说明 本系统采用了计算机数据挖掘的方法，从互联网中收集整理了全国近300个城市的天气数据和近...对提高全国人民的身体健康进了微薄之力，也为了利用机器学习技术研究空气质量、大气情况等数据提供了一个思路。
模式识别与机器学习课后习题答案
02-28
模式识别与机器学习课后答案，英文版，彩色版 Pattern Recognition and Machine Learning Solutions to the Exercises: Tutors’ Edition Markus Svensen and Christopher M. Bishop ´
李宏毅机器学习——课后作业1
粉丝头子的故事
02-02 4373
李宏毅机器学习视频地址： 【李宏毅 深度学习19（完整版）国语】 第一次作业参考地址： 线性回归预测PM2.5----台大李宏毅机器学习作业1(HW1) 文章目录作业要求：作业分析：模型分析：代码分析：数据预处理：模型建立：完整代码：运行结果： 作业要求： 给定训练集train.csv，要求根据前9个小时的空气监测情况预测第10个小时的PM2.5含量。 训练集介绍： CSV文件，包含台湾丰原地区240天的气象观测资料(取每个月前20天的数据做训练集，12月X20天=240天，每月后10天数据用于测试，.
机器学习面试题汇总-七月在线
01-03
本人搜集的BAT机器学习面试题，七月在线整理，共1500题，现有230题的详细分析。
吴恩达机器学习课后练习-ex2
01-20
ex2data2.txt练习的后半部分的训练集提交。m-提交脚本，用于将您的解决方案发送到我们的服务器 mapFeature.m-生成多项式特征的函数 plot decision boundary.m-绘制分类器决策边界的函数 [?]plot data.m-打印二维分类...
机器学习面试1000题系列 - CSDN博客1
08-03
声明：由于原文中的链接已经失效，故而自己补充了一个新的链接知识点链接：机器学习之Logistic回归(逻辑蒂斯回归）8.overfitting怎么解决？9.LR
线性回归预测PM2.5----台大李宏毅机器学习作业1(HW1)
05-25
好的，这是一个经典的机器学习问题。以下是实现线性回归预测PM2.5的步骤： 1. 数据准备：从台湾环境保护署所提供的空气品质观测数据中，选取12个月份的每天24小时的资料，总共有12*24=288个数据点。每个数据点包含18个特征和1个标签（即PM2.5浓度）。可以使用pandas库来读取数据，处理数据等。 2. 特征工程：将原始数据转换为模型能够使用的特征。具体来说，可以采用以下方法： （1）将时间序列转换为连续的序列，例如使用前9小时的空气质量数据来预测第10小时的PM2.5浓度。 （2）对于缺失值，可以使用均值或者中位数进行填充。 （3）可以考虑添加一些新的特征，例如时间戳、一些统计特征等。 3. 模型训练：将数据分为训练集和验证集（测试集），使用训练集进行模型的训练，采用梯度下降法或者正规方程法求解线性回归模型的参数。训练过程中，需要注意正则化，以避免过拟合。 4. 模型评估：使用验证集进行模型的评估，计算出模型的RMSE（均方根误差）等指标。 5. 模型预测：使用训练好的模型对测试集进行预测，生成预测结果。可以将预测结果保存为csv文件，并将其提交到比赛平台上进行评估。 在实现过程中，可以参考台大李宏毅老师的课程作业，里面有详细的代码和实现过程。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值