机器学习与模式识别期末试题回忆_机器学习与模式识别试卷-CSDN博客

本文链接：https://blog.csdn.net/qq_45775632/article/details/112506749

记录一下自己的考试题目

一选择
1、给人脸打上标签再让模型进行学习训练的方法，属于（）
A.强化学习
B.半监督学习
C.监督学习
D.无监督学习
正确答案：C

2、下面哪几种机器学习的分类，完全不需要人工标注数据？
A.半监督学习
B.强化学习
C.无监督学习
D.监督学习
正确答案:B.C

3、机器学习中E， T、P分别表示：
A. Performance Measure
B. Task
C. Performance
D. Experience
正确答案： A， B，D

4、一般来说，在机器学习中，用计算机处理一幅的图像，维度是：
A.上万维
B.二维
C.三维
D.一维
正确答案：A

5、向量x=[1,2,3,4,-9,0]的L1范数是多少（B）
A. 1
B. 19
C. 6
D. sqrt(111)

6、关于L1正则和L2正则下面的说法正确的是（BD）
A． L2范数可以防止过拟合，提升模型的泛化能力。但L1正则做不到这一点
B. L2正则化标识各个参数的平方的和的开方值。
C. L2正则化有个名称叫“Lasso regularization”
D.L1范数会使权值稀疏

7、Fisher线性判别函数的求解过程是将N维特征矢量投影在（2）中进行。（1）二维空间（2）一维空间（3）N-1维空间

8、以下描述中，对梯度解释正确的是（AB）
A梯度是一个向量，有方向有大小
B求梯度就是对梯度向量的各个元素求偏导
C梯度只有大小没有方向
D梯度只有方向没有大小

9、.标准差与方差的关系是（ABC）
A标准差是方差的算术平方根
B标准差可以反映离散程度，也可以反映出样本的量纲
C方差只能反映离散程度
D标准差的平方是方差

10、假设你在卷积神经网络的第一层中有 5 个卷积核，每个卷积核尺寸为 7×7，具有零填充且步幅为 1。该层的输入图片的维度是 224×224×3。那么该层输出的维度是多少？C
A. 217 x 217 x 3
B. 217 x 217 x 8
C. 218 x 218 x 5
D. 220 x 220 x 7

二判断题

（1）给定n个数据点，如果其中一半用于训练，另一半用于测试，则训练误差和测试误差之间的差别会随着n的增加而减小（T）
（2）当训练数据较少时更容易发生过拟合。（T）
（4）在核回归中，最影响回归的过拟合性和欠拟合之间平衡的参数为核函数的宽度。（T）
（7）梯度下降有时会陷于局部极小值，但 EM 算法不会。（F）
（9）Boosting 和 Bagging 都是组合多个分类器投票的方法，二者都是根据单个分类器的正确率决定其权重。(F)
（11）一般来说，回归不用在分类问题上，但是也有特殊情况，比如logistic 回归可以用来解决0/1分类问题。(T)
（13）回归和分类都是有监督学习问题（T）
（15）在AdaBoost算法中，所有被错分的样本的权重更新比例相同（T）
（17）增加卷积核的尺寸，一定能提高卷积神经网络的性能。（F）
（21）两个变量相关，它们的相关系数 r 可能为 0 。（T）

三简答题
1 简述模式和模式类的定义，老王和老头分别代表什么，哪一个是模式，哪一个是模式类？

2简述判别函数的两个影响因素

3简述贝叶斯算法的定义思路

4简述PCA的思路

5简述LLE的思路

四程序填空题
kmeans算法填空，采用matlab编写（10个）

clear all;
close all;
clc;

N=4;%设置聚类数目（1）
[m,n]=size(data);%表示矩阵data大小，m行n列
pattern=zeros(m,n+1);%生成0矩阵（2）
center=zeros(N,n);%初始化聚类中心
pattern(:,1:n)=data(：，：);
for x=1:N
center(x,:)=data( randi(300,1)，；);%第一次随机产生聚类中心
end （3）
while 1 %循环迭代每次的聚类簇；
distence=zeros(1,N);%最小距离矩阵（4）
num=zeros(1,N);%聚类簇数矩阵
new_center=zeros(N,n);%聚类中心矩阵

for x=1:m
for y=1:N
distence(y)=norm(data(x,:)-center(y,:));%计算到每个类的距离（5）
end
[~, temp]=min(distence);%求最小的距离（6）
pattern(x,n+1)=temp;%划分所有对象点到最近的聚类中心；标记为1,2,3；（7）
end
k=0;
for y=1:N
for x=1:m
if pattern(x,n+1) = =y
new_center(y,:)=new_center(y,:)+pattern(x,1:n);
num(y)=num(y)+1;
end
end
new_center(y,:)=new_center(y,:)/num(y);%求均值，即新的聚类中心；
if norm(new_center(y,:)-center(y,:))<0.1%检查集群中心是否已收敛。如果是则终止。（8）
k=k+1;
end
end
if k==N
break; （9）
else
center=new_center; （10）
end
end
[m, n]=size(pattern);