機器學習課後作業求解 70

機器學習課後作業求解

1樓：小巴愛大巴

對喚攜賣於第一題我舉乙個另外的例子。

第一題是不是隱巧這樣的呢有待**，我原本是先列出所有的樣例，然後求屬性的和逗資訊增益，但是感覺很計算複雜，也分不出，望高手指點~

對於第二題，1）第一問就是直接求熵：

3個正例，3個反例根據公式 entropy(s)=-3/6log2(3/6)-3/6log2(3/6) 具體得多少自己算。

2）第二問求a2的資訊增益：

分別求當a2=t和a2=f的熵。

entropy(s,a2=t)=1 (因為當a2=t時候，分類剛好一半，樣例1,2,5,6 剛好兩個正兩個反！！，熵為1）

entropr(s,a2=f)=1(a2=f時候，分類也是一半，樣例3,4 剛好一正，一反)

所以a2的資訊增益：

gain(s,a2)=entropy(s)-4/6entropy(s,a2=t)-2/6entropr(s,a2=f) 課本公式！！

以上有錯望大神修正~~

2樓：網友

第胡高一褲滾尺題：備察。

3樓：sias好學生

第一題答案是1，悄辯御因為分類的正例反例灶簡個數啟巖一樣嘛，又只有兩類，所以最大是一，可以用公式算出的，可是一些符號不知道怎麼打出來，求a2的資訊增益結果是0

機器學習答疑

4樓：

摘要。機器學習是一種人工智慧技術，通過分析和學習資料，使計算機系統能夠獨立地執行特定任務。它涉及到使用演算法和模型來分析資料，從而讓計算機能夠從中學習並提供準確的**結果。

機器學習的主要應用領域包括影象識別、自然語言處理、智慧型推薦等。機器學習中的一些常用演算法包括監督學習、無監督學習和半監督學習等。監督學習通常涉及使用分類和迴歸模型來對資料進行標記和**，而無監督學習則允許計算機從資料中自行發現模式和關係。

機器學習在工業、醫療、金融、廣告和安全等領域有廣泛的應用。

機器學習是一種人工智慧技術，通高爛過分析和學習資料，使計算機系統能夠獨立地執行特定任務。它涉及到使用演算法和模型來分析資料，從而讓計算機能夠從中學習並提供準確的**結果。機器學習的主要應用領域包括影象識別、自然語言處理、智慧型推薦等。

機器學習中的一些常用演算法包括監督學習、無監督學習和半監督學習等。監督學習通常涉及使用分類和迴歸模型來對資料進行標記和**，而無監督學習則允許計算機從資料中自行發現模式和關係。機器學習在工業、醫療、金融、慎梁廣告和戚孝漏安全等領域有廣泛的應用。

若樣本中同時包含連續和離散屬性，如何計算距離？在現實中直接應用會派歷造成什麼問題？>什麼是屬性喚羨兆和租的尺度縮放？

如何實現？>為什麼要考慮每乙個投票近鄰點應該有不同的權重？

若樣本中同時包含連續和離散瞎雹屬性，如何計算距離？在現實中直接應用會造成什麼問題？在同時包含連續和離散屬性的情況下，我們需要將連續屬性離散化處理，使得所有屬性都成為離散化屬性，然後再使用離散屬性的距離函式進行計算。

離散屬性的距離函式可以根據不同的屬性型別選擇不同的度量方式，如根據屬性值是否相等、兩個屬性值之間的**距離等進行度量。直接應用可能會造成的問題是由於不同屬性的度量方式不同，可能會導致距離計算不準確，從而影響分類效果。什麼是屬性的尺度縮放？

如何實現？屬性尺度縮放是指將不同屬性的值範圍限定在相同的區間內答神豎，從而消除不同屬性間的量綱和單位差異，使得每個屬性對距離計算的影響相等。常用的尺度縮放方法有最小-最大規範化和z-score規範化。

最小-最大規範化清大是將所有屬性的值對映到[0,1]區間內，具體計算公式為：

機器學習可以完成哪些任務，列舉出每種任務的常見演算法。

5樓：水落輕寒知識庫

機器學習完成的任務好多。

1.分揀。進行不同物品的分揀。大多是使用感測器進行識別和分揀。

2.排序。將已知的散亂資料進行有規律的排序，一般使用對比，氣泡排序法。

3.人臉識別。通過記錄人體面部的一些特徵，存入資料庫，對比查詢進行識別。