機器學習課後作業求解 70

2025-03-21 06:50:24 字數 2000 閱讀 4563

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。

機器學習梯度下降向量的問題,機器學習為什麼會使用梯度下降法

邏輯回歸 y sigmoid w x 線性回歸 y w x 也就是邏輯回歸比線性回歸多了乙個sigmoid函式,sigmoid x 1 1 exp x 其實就是對x進行版歸一化操作,使得權sigmoid x 位於0 1 邏輯回歸通常用於二分類模型,目標函式是二類交叉熵,y的值表示屬於第1類的概率,使...

機器學習需要什麼數學基礎,機器學習需要哪些數學基礎

然後我們說一下概率統計,在評價過程中,我們需要使用到概率統計。概率統計包括了兩個方面,一方面是數理統計,另外一方面是概率論。一般來說數理統計比較好理解,我們機器學習當中應用的很多模型都是 於數理統計。像最簡單的線性回歸,還有邏輯回歸,它實際上都是 於統計學。在具體地給定了目標函式之後,我們在實際地去...

機器學習可以代替人類學習嗎,機器學習和人類的區別是什麼

花梔丨 機器學習是,經過大量資料訓練以及演算法優化以後,計算機可以得出更貼合人常識的結論。人類學習是,通過接觸環境或者知識來的 也可以說是 資料 得出自己的結論。人類也有自己的 演算法 每個人興許還不怎麼相同,這換成另一個名詞可能叫做 天賦 機器學習就像是特定環境下的人類學習,譬如圍棋。事實證明,經...