【西瓜书】1-绪论习题

已于 2024-01-15 18:18:16 修改
阅读量941 收藏 20
点赞数 18
分类专栏： 读西瓜书 文章标签： 人工智能 机器学习
于 2024-01-15 16:08:20 首次发布
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/m0_49376775/article/details/135604076
版权

文章目录

1.1

表1. 1 中若只包含编号为 1 和 4 的两个样例?试给出相应的版本空间.

表1.1的训练数据集对应的假设空间应该如下：

  • 1 色泽＝＊，根蒂＝＊，敲声＝＊
  • 2 色泽＝青绿，根蒂＝＊，敲声＝＊
  • 3 色泽＝乌黑，根蒂＝＊，敲声＝＊
  • 4 色泽＝＊，根蒂＝蜷缩，敲声＝＊
  • 5 色泽＝＊，根蒂＝硬挺，敲声＝＊
  • 6 色泽＝＊，根蒂＝稍蜷，敲声＝＊
  • 7 色泽＝＊，根蒂＝＊，敲声＝浊响
  • 8 色泽＝＊，根蒂＝＊，敲声＝清脆
  • 9 色泽＝＊，根蒂＝＊，敲声＝沉闷
  • 10 色泽＝青绿，根蒂＝蜷缩，敲声＝＊
  • 11 色泽＝青绿，根蒂＝硬挺，敲声＝＊
  • 12 色泽＝青绿，根蒂＝稍蜷，敲声＝＊
  • 13 色泽＝乌黑，根蒂＝蜷缩，敲声＝＊
  • 14 色泽＝乌黑，根蒂＝硬挺，敲声＝＊
  • 15 色泽＝乌黑，根蒂＝稍蜷，敲声＝＊
  • 16 色泽＝青绿，根蒂＝＊，敲声＝浊响
  • 17 色泽＝青绿，根蒂＝＊，敲声＝清脆
  • 18 色泽＝青绿，根蒂＝＊，敲声＝沉闷
  • 19 色泽＝乌黑，根蒂＝＊，敲声＝浊响
  • 20 色泽＝乌黑，根蒂＝＊，敲声＝清脆
  • 21 色泽＝乌黑，根蒂＝＊，敲声＝沉闷
  • 22 色泽＝＊，根蒂＝蜷缩，敲声＝浊响
  • 23 色泽＝＊，根蒂＝蜷缩，敲声＝清脆
  • 24 色泽＝＊，根蒂＝蜷缩，敲声＝沉闷
  • 25 色泽＝＊，根蒂＝硬挺，敲声＝浊响
  • 26 色泽＝＊，根蒂＝硬挺，敲声＝清脆
  • 27 色泽＝＊，根蒂＝硬挺，敲声＝沉闷
  • 28 色泽＝＊，根蒂＝稍蜷，敲声＝浊响
  • 29 色泽＝＊，根蒂＝稍蜷，敲声＝清脆
  • 30 色泽＝＊，根蒂＝稍蜷，敲声＝沉闷
  • 31 色泽＝青绿，根蒂＝蜷缩，敲声＝浊响
  • 32 色泽＝青绿，根蒂＝蜷缩，敲声＝清脆
  • 33 色泽＝青绿，根蒂＝蜷缩，敲声＝沉闷
  • 34 色泽＝青绿，根蒂＝硬挺，敲声＝浊响
  • 35 色泽＝青绿，根蒂＝硬挺，敲声＝清脆
  • 36 色泽＝青绿，根蒂＝硬挺，敲声＝沉闷
  • 37 色泽＝青绿，根蒂＝稍蜷，敲声＝浊响
  • 38 色泽＝青绿，根蒂＝稍蜷，敲声＝清脆
  • 39 色泽＝青绿，根蒂＝稍蜷，敲声＝沉闷
  • 40 色泽＝乌黑，根蒂＝蜷缩，敲声＝浊响
  • 41 色泽＝乌黑，根蒂＝蜷缩，敲声＝清脆
  • 42 色泽＝乌黑，根蒂＝蜷缩，敲声＝沉闷
  • 43 色泽＝乌黑，根蒂＝硬挺，敲声＝浊响
  • 44 色泽＝乌黑，根蒂＝硬挺，敲声＝清脆
  • 45 色泽＝乌黑，根蒂＝硬挺，敲声＝沉闷
  • 46 色泽＝乌黑，根蒂＝稍蜷，敲声＝浊响
  • 47 色泽＝乌黑，根蒂＝稍蜷，敲声＝清脆
  • 48 色泽＝乌黑，根蒂＝稍蜷，敲声＝沉闷
  • 49 Ø

加入 1 号数据，(色泽＝青绿、根蒂＝蜷缩、敲声＝浊响) 好瓜，剩下

  • 1 色泽＝＊，根蒂＝＊，敲声＝＊
  • 2 色泽＝青绿，根蒂＝＊，敲声＝＊
  • 4 色泽＝＊，根蒂＝蜷缩，敲声＝＊
  • 7 色泽＝＊，根蒂＝＊，敲声＝浊响
  • 10 色泽＝青绿，根蒂＝蜷缩，敲声＝＊
  • 16 色泽＝青绿，根蒂＝＊，敲声＝浊响
  • 22 色泽＝＊，根蒂＝蜷缩，敲声＝浊响
  • 31 色泽＝青绿，根蒂＝蜷缩，敲声＝浊响

加入 4 号数据，(色泽＝乌黑、根蒂＝稍蜷、敲声＝沉闷) 坏瓜，剩下

  • 2 色泽＝青绿，根蒂＝＊，敲声＝＊
  • 4 色泽＝＊，根蒂＝蜷缩，敲声＝＊
  • 7 色泽＝＊，根蒂＝＊，敲声＝浊响
  • 10 色泽＝青绿，根蒂＝蜷缩，敲声＝＊
  • 16 色泽＝青绿，根蒂＝＊，敲声＝浊响
  • 22 色泽＝＊，根蒂＝蜷缩，敲声＝浊响
  • 31 色泽＝青绿，根蒂＝蜷缩，敲声＝浊响

成功构建版本空间

1.2

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

好瓜 <-> ((色泽=*(根蒂=蜷缩) ^ (敲声= *)) v ((色泽=乌黑) ^ (根蒂=*) ^ (敲声=沉闷))

会把(色泽=青绿)^(根蒂=蜷缩)^(敲声=清脆)以及(色泽=乌黑) ^ (根蒂=硬挺) ^ (敲声=沉闷)都分类为"好瓜"

若使用最多包含 k k k 个合取式的析合范式来表达。表1. 1 西瓜分类问题的假设空间， 试估算共有多少种可能的假设.

不会

  1. 48

从网上抄到一份代码(不过我觉得可以用动态规划试一试§(*￣▽￣*)§)

机器学习(周志华) 第一章 习题1.2参考答案_是你的小鱼的博客-CSDN博客

import numpy as np
import itertools as it

def get_18_from_trible(trible):  #把三维向量变为代表特征的18维向量
   a = np.zeros([2,3,3])
   a1 = trible[0]
   a2 = trible[1]
   a3 = trible[2]
   if a1 == 3:  #对于第一种属性为"*"的情况
	   a1 = [1,2]
   else:
	   a1 = [a1]    
   if a2 == 4:  #对于第二种属性为"*"的情况
	   a2 = [1,2,3]
   else:
	   a2 = [a2]
	if a3 == 4:  #对于第三种属性为"*"的情况
		a3 = [1,2,3]
	else:
		a3 = [a3]
	#print (a1,a2,a3) 
	#print(a)
	for m1 in a1:
		for m2 in a2:
			for m3 in a3:
				a[m1-1][m2-1][m3-1] = 1
	return a           #得到了一个18维向量（0/1二值），代表18种特征情况

def turn_48_to_trible(num):   
# num in [0,47]，把一个小于48的数字对应到一个三维数组中
	for i in range(3): 
		for j in range(4):
			for k in range(4):
				if i*16 + j*4 + k == num:
					return [i+1,j+1,k+1]

def from_48_to_18(num):  #把0-47的某个数唯一对应到某个18维向量
	a = turn_48_to_trible(num)
	b = get_18_from_trible(a)
	return b  

def main(k):
	rset=[]
	for i in it.combinations(range(48),k):   
	#开始对48取k的组合数进行穷举，i是一个k元数组
		subset=[]
		for j in range(k): 
			p = from_48_to_18(i[j])  
			subset.append(p)
		subset = np.array(subset)    
		subset = subset.any(axis=0)  # 这是去除冗余操作！！！
		subset = np.reshape(subset,[18]) 
		subset = subset.tolist()  #从array变为list方便接下来的操作
		count = 0
		for i in range(18):
			count += 2 ** i *subset[i]  
			#这是简单的一一映射，18维二值向量可以一一对应到1~2^18的某个数
		subset = count  
		length = len(rset)
		rset.append(subset)    
		if len(rset) % 100000 == 0 :
			print(len(rset))  #为了证明程序确实在运行hhh，这个可以注释掉
		if len(rset) > 5000000: 
			rset = list(set(rset))  #set是集合，是对rset数组进行去重！
			#设置500W上限为了防止set操作时数组长度太长导致程序崩掉
	rset = list(set(rset)) #最终set操作一下得到最终结果
	#rset = list(set(tuple(t) for t in rset))
	
	print( "%d ： %d examples"%(k,len(rset)))    

# main(k) 运行即得k个析取范式的结果。注：当k≥9时花费时间过长！目前没法解决！

这里笔者也给出自己写的题解，和部分网上答案不一致，不保证准确性。
更新：和这篇博客的答案一致

#include <bits/stdc++.h>
using namespace std;

bitset<2 << 18> bset;
vector<int> single; // 单个合取范式匹配的位置
int color = 2, root = 3, sound = 3;

int foo(int i, int j, int k, int val = 0) {
    if (i == 0) {
        for (int x = 1; x <= color; ++x) {
            val |= foo(x, j, k, val);
        }
        return val;
    }
    if (j == 0) {
        for (int x = 1; x <= root; ++x) {
            val |= foo(i, x, k, val);
        }
        return val;
    }
    if (k == 0) {
        for (int x = 1; x <= sound; ++x) {
            val |= foo(i, j, x, val);
        }
        return val;
    }
    int no = (i - 1) * (root * sound) + (j - 1) * sound + k - 1;
    return val | (1 << no);
}

void build_vec() {

    for (int i = 0; i <= color; ++i) {
        for (int j = 0; j <= root; ++j) {
            for (int k = 0; k <= sound; ++k) {
                single.push_back(foo(i, j, k));
            }
        }
    }
}

// 组合型枚举板子
void comb(int k, int depth = 0, int start = 0, int val = 0) {
    if (depth > 0) {
        // for (size_t i = 1; i < depth; i++)
        //     cerr << "\t";
        // cerr << "Choose: " << start - 1 << "\n";
    }
    if (depth >= k) {
        // cerr << "Val: " << val << endl;
        bset.set(val);
    } else {
        for (int i = start; i < single.size(); i++) {
            comb(k, depth + 1, i + 1, val | single[i]); // 选择 i号假设
        }
    }
}

int main(int argc, char const *argv[]) {
    // 首先直接枚举 k=1的情况
    build_vec();
    int k;
    cin >> k;
    for (int i = 1; i <= k; ++i) {
        comb(i);

        cout << "i=" << i << "\tans=" << bset.count() << endl;
    }
    /* code */
    return 0;
}

以上代码在 k ≥ 9 k\geq 9 k≥9时计算较慢，我使用动态规划改进了一下：

这里使用了假设：

a n s k = a n s k − 1 ∨ a n s k = 1 ans_k = ans_{k-1} \vee ans_{k=1} ansk​=ansk−1​∨ansk=1​
也就是说要求最多使用k个，可以先只使用k-1个，然后将k-1个的结果再加上单个范式组合起来，复杂度不超过2^18 * 48能在1s内计算完成。

#include <bits/stdc++.h>
using namespace std;

bitset<2 << 18> bset;
vector<int> single; // 单个合取范式匹配的位置
int color = 2, root = 3, sound = 3;

int foo(int i, int j, int k, int val = 0) {
    if (i == 0) {
        for (int x = 1; x <= color; ++x) {
            val |= foo(x, j, k, val);
        }
        return val;
    }
    if (j == 0) {
        for (int x = 1; x <= root; ++x) {
            val |= foo(i, x, k, val);
        }
        return val;
    }
    if (k == 0) {
        for (int x = 1; x <= sound; ++x) {
            val |= foo(i, j, x, val);
        }
        return val;
    }
    int no = (i - 1) * (root * sound) + (j - 1) * sound + k - 1;
    return val | (1 << no);
}

void build_vec() {
    for (int i = 0; i <= color; ++i) {
        for (int j = 0; j <= root; ++j) {
            for (int k = 0; k <= sound; ++k) {
                single.push_back(foo(i, j, k));
            }
        }
    }
}

int main(int argc, char const *argv[]) {
    // 首先直接枚举 k=1的情况
    build_vec();

    for (auto fansi : single) {
        bset.set(fansi);
    }

    int k;
    cin >> k;
    for (int i = 1; i < k; ++i) {
        cout << "i=" << i << "\tans=" << bset.count() << endl;
        // 对每个现有范式组合结果 添加 新范式
        auto bs = bset;
        for (int i = 0; i < bs.size(); ++i) {
            if (bs.test(i)) {
                for (int fansi : single) {
                    bset.set(i | fansi); // 原有范式 | 新范式
                }
            }
        }
    }
    cout << "i=" << k << "\tans=" << bset.count() << endl;
    /* code */
    return 0;
}

输出：

$ ./a.out
48
i=1	ans=48
i=2	ans=897
i=3	ans=8385
i=4	ans=41742
i=5	ans=115821
i=6	ans=201303
i=7	ans=248853
i=8	ans=260787
i=9	ans=262143
i=10	ans=262143
i=11	ans=262143
...后面全是262143了

1.3

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.

  • 假设噪声点很少：少数服从多数，如果统计相同标签下分类数，取占比多的
    • 对于感知机算法：使用PosketAlgorithm改善
    • 对于SVM算法：使用软间隔SVM
  • 假设噪声点服从高斯分布：使用最小二乘法
    • 最小二乘法对于离群值敏感，如果存在极端的噪声值，可能需要考虑采用鲁棒回归方法或者其他方法来处理。

1.4

前面忘了，中间忘了，总之成立
在这里插入图片描述

KaTeX parse error: Expected 'EOF', got '&' at position 58: …id X, f\right) &̲=& \sum_{h} \su…

1.5

试述机器学习能在互联网搜索的哪曲环节起什么作用.

  1. NLP，关键词检索
  2. 图像识别：以图搜图
  3. 爬虫后数据分析，pagerank网页排序算法
  4. 文字搜图
  5. 带歧义的搜索？

参考

  1. 《机器学习》周志华 习题1.2的解答_机器学习导论试题讲解-CSDN博客
  2. 《机器学习》习题解答（第一章：绪论） - 知乎
  3. ChatGPT
超级虚空
关注
  • 18
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
《机器学习》西瓜书-绪论
11-01 1328
机器学习是目前信息技术中最激动人心的方向之一，其应用已经深入到生活的各个层面且与普通人的日常生活密切相关。本文为清华大学最新出版的《机器学习》教材的Learning Notes，书作者是南京大学周志华教授，多个大陆首位彰显其学术奢华。本篇主要介绍了该教材前两个章节的知识点以及自己一点浅陋的理解。 1 绪论 傍晚小街路面上沁出微雨后的湿润，和熙的细风吹来，抬头看看天边的晚霞，嗯，明天又是一个好天...
AMT项目管理教程培训1－绪论.ppt
01-09
AMT项目管理教程培训1－绪论.ppt
西瓜书习题 - 1.绪论
热门推荐
wdn blog
10-25 1万+
西瓜书第一章绪论习题
西瓜书-第1章-绪论笔记
招财进宝
01-25 161
一、绪论 引言 机器学习所研究的主要内容：从数据中产生“模型”的算法，即学习算法。 本书用“模型”泛指从数据中学得的结果。有的文献用“模型”指全局性结果（例如一颗决策树），用“模式‘指局部性结果（例如一条规则） 基本术语 数据集、训练集、测试集；监督学习·····等等 机器学习的目标是使学得的模型能很好的适用于新样本，即泛化能力： 假设空间 归纳与演绎是科学推理的两大基本手段； 机器学习是 “从样例/数据中学习”， 是归纳的过程，因此是归纳学习； 归纳学习的广义：从样例中学习； 归纳学
西瓜书绪论课后习题（个人练习）
qq_39842576的博客
06-14 1575
1.1 表1.1中若只包含编号为1和4的两个样例，试给出相应的版本空间。 表1.1 西瓜样本简 编号 色泽 根蒂 敲声 好瓜 1 青绿 蜷缩 浊响 是 4 乌黑 稍蜷 沉闷 否 解答： 首先，根据表格可知，西瓜样本的每个属性都只有两种具体的属性，然后再加上每个样本属性都可以进行泛化，也就是可以取 * ，则每个属性都有三种取值的可能，那么总的假设空间的可能为：3 * 3 *3 =27（乘法原理）；再加上∅的可能，所以，.
数据结构-第1章-绪论PPT文档.pptx
12-01
数据结构-第1章-绪论PPT文档.pptx
数据库-绪论.pptx
11-14
数据库-绪论.pptx
电力系统继电保护原理：1-绪论.pdf
05-18
电力系统继电保护原理：1-绪论.pdf
chap1-绪论1
08-03
绪论知识期到了20世纪70年代，研究者意识到知识对于人工智能系统的重要性。特别是对于一些复杂的任务，需要专家来构建知识库。在这一时期，出现了各种各样的专家系统
RANSAC算法概述
点云侠的博客
05-20 847
RANSAC算法概述
使用多实例学习进行乳腺癌组织病理学图像分类和定位
qq_47896523的博客
05-16 1251
乳腺癌是女性最主要的死亡原因，病理学家根据病理切片中观察到的各种视觉特征（例如细胞核的形态特征、细胞核的微观和宏观结构等）做出决定。计算机辅助诊断（CAD）系统可以帮助病理学家自动做出决策。卷积神经网络是最广泛使用的深度学习框架，用于学习图像类别之间的复杂判别特征。多年来，VGG16 [3] 和 ResNet18 [4] 等各种 CNN 架构在海量 ImageNet 数据集上产生了出色的结果。CNN 被用于医学图像以产生最先进的结果。为图像中存在的所有类别提供了定位信息。
让动物世界触手可及——好用的动物识别API合集
最新发布
youqingy的博客
05-21 913
用户只需要上传一张包含动物的图像或视频，API就能够自动识别出其中的动物种类，并给出相应的分类结果。通过API接口，用户可以上传动物的照片，API会自动识别动物的种类和特征，并提供相关的标签和描述，帮助用户在社交媒体上更好地展示和分享自己的宠物。通过API接口，犬只安全管理部门可以上传犬只的鼻纹图像，API会自动识别和匹配犬只的身份信息和安全等级，帮助监测和保护公共区域和设施的安全。通过API接口，用户可以上传犬只的鼻纹图像，API会自动识别和记录犬只的身份信息和来源，帮助监控和管理犬只的流通和交易过程。
四非、双非计算机保研夏令营入营情况
小蒋的博客
05-19 827
厦大 信息学院，电影学院，CS，人工智能浙软（海营，预推免入场券）、工程师华东科技大学网安中国科学技术大学 先进技术研究院，空间应用工程与技术中心，信工所，软件所，计算与网络中心，计算技术研究所北京师范大学 认知神经科学与学习国家重点实验室山东大学 网络空间与安全学院，SE天津大学 智能与计算机学部华中师范大学 计算机学院、大数据北航计算机南开计算机，SE吉大计算机、SE、人工智能湖南信息山大计院（不发offer），网安成电计算机，网安。
长江商学院隽永参访实在智能，沉浸体验实在Agent
SHIZAIZHINENG的博客
05-16 592
长江隽永是中国首个全方位关注并赋能“她价值”的女性成长平台，此次参访实在智能，旨在深入学习并交流最前沿的Agent技术，引导企业进行科学决策和组织变革，从而帮助企业从个体成长跃升为具有全球视野的数字化领导者。随着数字化技术的不断发展，人工智能、虚拟现实等新技术的的应用已经深入社会的方方面面，并在不断地释放着创新的活力，AI+RPA技术的涌现，外加人力成本的大幅度增加，使得企业对智能数字员工的服务需求越来越大。实在智能创始人、CEO孙林君和实在伙伴一同接待。
多式联运奇迹：探索 GPT-4o 的尖端功能
weixin_46083783的博客
05-16 1391
GPT-4o，即 GPT-4 Omni，是 OpenAI 开发的领先的人工智能模型。该先进系统旨在完美处理文本、音频和视觉输入，使其成为真正的多模式。与其前身不同，GPT-4o 跨文本、视觉和音频进行端到端训练，使所有输入和输出都能由相同的处理器处理。神经网络。这种整体方法增强了其功能并促进更自然的交互。借助 GPT-4o，用户可以预期更高的参与度，因为它会生成文本、音频和图像输出的各种组合，反映人类交流。
如何通过店铺集群实现高效库存规划
第七在线（7thonline）
05-17 1072
在这种情况下，商品管理人员无需对每家具有相似特征的店铺单独规划，而可以在更高的集群层级——如温度带、商圈和店铺类型（如旗舰店与常规店铺）上，进行统一的商品组货和投放决策。此外，店铺规模的大小也是不容忽视的因素，因为大型店铺和小型店铺在容量和运营上往往存在显著差异。理想情况下，在每个计划周期（如每个季节）之初，应更新集群以反映店铺的新增、关闭，店铺的销售能力以及客户偏好的动态变化。在第七在线， 当零售商的店铺数量超过10家，或者开始观察到店铺之间在销售绩效上存在显著差异时，可考虑引入店铺集群的概念。
不戴头盔监控智能喊话系统
燧机科技的博客
05-19 347
不戴头盔监控智能喊话系统基于神经网络机器视觉技术，不戴头盔监控智能喊话系统通过十字路口的摄像头对来往的电动车等车辆人员进行实时监测。系统使用高性能摄像头对十字路口进行全方位监控，利用神经网络算法分析图像和视频数据，精确识别骑车人员是否佩戴头盔。不戴头盔监控智能喊话系统一旦系统检测到未佩戴头盔的骑车人员，立即进行抓拍告警，并通过喇叭或扬声器进行现场喊话提醒，提醒骑车人员佩戴头盔以确保出行安全。
详解AI作画算法原理
华仔的博客
05-19 417
AI作画算法，特别是那些用于生成图像的深度学习模型，通常依赖于生成对抗网络（GANs）、变分自编码器（VAEs）或扩散模型。
数据结构--绪论--求解多项式的值
09-08
1. 给定一个多项式，例如 P(x) = a_n * x^n + a_{n-1} * x^{n-1} + ... + a_1 * x^1 + a_0，其中 a_i 表示系数，x 表示变量。 2. 给定变量 x 的值。 3. 将 x 的值代入多项式中的每一项，计算得到每一项的值。 4. 将...

“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
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