【机器学习】第三章线性模型练习题及答案

伍嘉叁

已于 2023-04-04 19:03:55 修改

阅读量3.2k

点赞数 6

文章标签：机器学习算法人工智能

于 2023-03-26 19:53:59 首次发布

本文链接：https://blog.csdn.net/weixin_52218723/article/details/129783233

版权

一. 单选题（共21题，63分）

1.【单选题】以下哪组变量之间存在线性回归关系?

A. 正三角形的边长与周长

B. 学生的性别与他的成绩

C. 正方形的边长与面积

D. 儿子的身高与父亲的身高

正确答案: A

2.【单选题】下列关于线性回归分析中的残差(Residuals)说法正确的是?

A. 以上说法都不对

B. 残差均值总是大于零

C. 残差均值总是小于零

D. 残差均值总是等于零

正确答案: D

3.【单选题】构建一个最简单的线性回归模型需要几个系数(只有一个特征)?

A. 1

B. 2

C. 3

D. 4

正确答案: B

4.【单选题】向量x=[1,2,3,4,-9,0]的L1范数是多少?

A. 1

B. 6

C. 19

D. 111

正确答案: C

5.【单选题】回归问题和分类问题的区别是?

A. 回归问题与分类问题在输入属性值上要求不同

B. 回归问题输出值是连续的,分类问题输出值是离散的

C. 回归问题输出值是离散的,分类问题输出值是连续的

D. 回归问题有标签,分类问题没有

正确答案: B

6.【单选题】以下说法错误的是?

A. 正则项的目的是为了避免模型过拟合

B. 最小二乘法不需要选择学习率

C. 残差是预测值与真实值之间的差值

D. 损失函数越小,模型训练得一定越好

正确答案: D

7.【单选题】哪些算法不需要数据归一化?

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

伍嘉叁

关注关注

6
点赞
踩
36

收藏

觉得还不错? 一键收藏
2
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

机器学习-学习笔记（三）第三章 习题3.3

Avlon的博客

07-19

795

用C语言实现了一下3.3中的对率回归问题，C语言求逆矩阵是个很麻烦的事情，这里参考了一些网上的博客，偷了懒。 #include<stdio.h> #include<string.h> #include<math.h> typedef struct parameter{ double w[10]; int w_lenght; double b; }pa...

周志华《机器学习》课后习题解答系列（四）：Ch3.3 - 编程实现对率回归

热门推荐

Snoopy_Yuan技术部落格

03-19

2万+

这里采用Python-sklearn的方式，环境搭建可参考数据挖掘入门：Python开发环境搭建（eclipse-pydev模式）. 相关答案和源代码托管在我的Github上：PY131/Machine-Learning_ZhouZhihua. 思路概要编程实现对率回归： * 采用sklearn逻辑斯蒂回归库函数实现，通过查看混淆矩阵，绘制决策区域来查看模型分类效果； * 自...

2 条评论您还未登录，请先登录后发表或查看评论

机器学习课后习题答案.pdf

02-12

机器学习课后习题答案.pdf

线性模型练习题

dengxun7056的博客

06-21

869

1. 学习理解如何用最小二乘法的矩阵公式来得到线性回归的解，并使用numpy库来实现该算法。在研究一个问题时，从某种理论或假定出发，得到一个模型。根据这个模型，我们感兴趣的某个量有其理论值，同时可以对这个量进行实际观测，而得出其观测值。由于种种原因，如模型不完全正确以及观测有误差，理论值与观测值会有差距，这差距的平方和 \[J(\theta)=\sum (理论值-观测值)^{2}\] ...

周志华《机器学习》课后习题（第三章）：线性模型

红色石头的专栏

05-09

8428

作者 |我是韩小琦链接 | https://zhuanlan.zhihu.com/p/432708303.1 试分析在什么情况下，在以下式子中不比考虑偏置项b。答：在样本中有某一个...

《机器学习》课后习题——第三章 线性模型

稚嫩的劢劢的博客

12-09

2235

3.1 试分析在什么情况下，在以下式子中不比考虑偏置项b。答：

机器学习原理及应用练习题答案.docx

06-14

总结：本文件包含的内容涵盖了机器学习的多个核心概念，包括机器学习的基本要素、不同类型的学习方式、过拟合和欠拟合、正则化、逻辑回归、最大熵模型、k-近邻算法、决策树、朴素贝叶斯分类器、支持向量机以及随机...

吴恩达机器学习第二章答案ex2.rar

11-16

在机器学习领域，第二章通常会涉及线性回归这一基础模型。线性回归是一种预测性的建模技术，用于研究两个或多个变量之间的关系，尤其是因变量（目标变量）和一个或多个自变量（解释变量）之间的线性关系。MATLAB作为...

神经网络与深度学习——第3章线性模型

a_blade_of_grass的博客

05-30

2293

线性模型线性模型（Linear Model）是机器学习中应用最广泛的模型，指通过样本特征的线性组合来进行预测的模型，给定一个DDD维样本x=[x1,...,xD]T\bm x = [x_1,...,x_D]^Tx=[x1,...,xD]T，其线性组合函数为在分类问题中，由于输出目标yyy是一些离散的标签，而f(x;ω)f(\bm x;\bm \omega)f(x;ω)的值域为实数，因此无法直接用f(x;ω)f(\bm x;\bm \omega)f(x;ω)来进行预测，需要引入一个非线性的决策函数g

机器学习第三章

Smile_Smilling的博客

09-24

1491

1.线性模型的基本形式(P53) 给定d个属性描述，预测函数如下形式一般向量形式（3.2）其中,为列向量。w和b学得之后，就可以确定模型。 2.线性回归给定数据集，...

吴恩达机器学习课后习题三及答案

11-02

吴恩达coursera机器学习课程课后习题，可以成功提交coursera审核

周志华《机器学习》第三章课后习题

qq_40694323的博客

06-22

1万+

目录3.1 试析在什么情形下式(3.2) 中不必考虑偏置项 b.3.2、试证明，对于参数w,对率回归的目标函数(3.18)是非凸的,但其对数似然函数(3.27)是凸的. 3.3、编程实现对率回归,并给出西瓜数据集3.0α上的结果.3.4 选择两个 UCI 数据集，比较 10 折交叉验证法和留一法所估计出的对率回归的错误率。3.5 编辑实现线性判别分析，并给出西瓜数据集 3.0α 上的结果. ①b与输入毫无关系，如果没有b，y‘=wx必须经过原点 ②当两个线性模型相减时，消除了b。可用训练集中每个样本都减去第

《机器学习》周志华第三章课后习题

huzimu_的博客

03-16

7422

3.1 试析在什么情形下式(3.2) 中不必考虑偏置项 b.

西瓜书《机器学习》课后答案——Chapter3

CodeTutor

05-14

7785

3.2 试证明，对于参数ωω\boldsymbol \omega，，对率回归的目标函数(3.18)是非凸的，但其对数似然函数(3.27)是凸的。解答：定理：设f(x)f(x)f(\boldsymbol x)是定义在非空开集D⊂RnD⊂RnD\subset \mathbb R^n上的二次可微函数，则f(x)f(x)f(\boldsymbol x)是凸函数的充要条件是在任意点x∈Dx∈D...

机器学习西瓜书第三章习题-编程题代码

weixin_45045405的博客

03-13

1444

机器学习西瓜书第三章习题答案

机器学习（周志华著）习题第03章线性模型

仰起脸笑得像满月

08-30

3537

3.1 试析在什么情形下式（3.2）中不必考虑偏置项b 有网友说可以让所有的数据减去第一个样本，但是在实际应用中这样做偶然性太大。可以先对数据进行“中心化”处理，也就是对每一个x 都减去数据集的均值。 3.2 试证明，对于参数，对率回归的目标函数（3.18）是非凸的，但其对数似然函数（3.27）是凸的要想证明（3.18）是非凸的，只需要证明其代表二阶导的Hessian矩阵不是半正定的即...

机器学习（周志华）学习笔记一：第三章习题3.3（对率回归）

mddh_123的博客

11-02

836

一、对《机器学习》内容问题的一点质疑在《机器学习》第53页，书中应该是存在对行向量（1×N矩阵）、列向量（N×1矩阵）的描述错误问题。如下图：我在划线位置分别加上了两个转置符号"T"。按照原来书上的写法w和x都是一个行向量，wT则是列向量。因此wT与x的结果应该是一个N×N的矩阵，而并非式（3.1）所写的具体的值。二、分类的基本思想我们希望找到一个函数满足下面的条件：正例反例...

机器学习（吴恩达）--线性回归练习

HZH_box的博客

09-27

963

学习内容：线性回归练习学习时间：2020/9/24 学习产出：笔记代价函数 pycharm中.head()函数不显示 pandas工具中的.head()函数作用是显示前五行的数据，而在pycharm中想要输出数据都需要使用print。所以应该写作print(xxx.head())。注：.tail()可以查看最后五行数据，.describe()可以查看数据的一些基本情况（平均值） ...

【机器学习】西瓜书学习心得及课后习题参考答案—第3章线性模型

一个甜甜的大橙子的博客

07-27

6106

线性模型形式简单，易于建模。

机器学习线性回归模型期末试题

最新发布

01-14

### 关于机器学习线性回归模型的期末考试题目 #### 题目一：理论理解 1. **定义与原理** 解释什么是线性回归？描述其基本假设条件以及如何通过最小二乘法求解最优参数[^1]。 2. **损失函数** 描述线性回归使用的损失函数形式及其优化目标是什么？ 3. **正则化方法** 岭回归和Lasso回归是如何改进标准线性回归的？两者之间有什么区别？分别适用于哪些情况下的建模需求[^4]？ #### 题目二：实践应用 1. **数据预处理** 给定一个包含多个特征的数据集，在准备用于训练线性回归模型之前，需要执行哪些主要步骤来清理并转换这些原始数据？具体说明每一步骤的作用及其实现方式。 2. **模型构建与评估** 使用Python中的`scikit-learn`库创建一个简单的线性回归模型。编写一段完整的代码片段展示如何加载数据、划分训练/测试集合、实例化模型对象、拟合模型以及最后评价模型的表现（提示：可考虑采用交叉验证技术提高评分可靠性）。 ```python from sklearn.model_selection import train_test_split, cross_val_score from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error import numpy as np # 假设X为特征矩阵,y为目标变量向量 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) model = LinearRegression() scores = cross_val_score(model, X_train, y_train, cv=5) print(f'Cross-validation scores: {scores}') print(f'Mean CV score: {np.mean(scores)}') model.fit(X_train, y_train) predictions = model.predict(X_test) mse = mean_squared_error(y_test, predictions) print(f'Test MSE: {mse}') ``` 3. **超参数调优** 如何调整线性回归模型的相关超参数以改善预测效果？请列举至少两种常用的方法，并简要介绍它们的工作机制。 #### 题目三：扩展思考 1. **非线性关系处理** 当面对具有复杂非线性结构的数据时，单纯依靠传统意义上的线性回归可能会遇到困难。给出一种解决方案使得能够有效捕捉这种类型的模式变化[^2]。 2. **与其他算法比较** 将线性回归的结果同其他几种常见的监督学习算法（如决策树、支持向量机等）进行对比分析。讨论各自的优势劣势所在，并指出在线性不可分的情况下应采取何种策略来进行更好的分类或回归任务解决。