2020年中山大学《机器学习》期末练习题1.docx

下列各题每个大题10分，共8道大题，卷面总分80分注意：在给出算法时，非标准（自己设计的）部分应给出说明。特别是自己设置的参数与变量的意义要说明。1.下面是一个例子集。其中，三个正例，一个反例。“P”为正例、“N”为反例。这些例子是关于汽车的。例子有4个属性,分别是“产地”、“生产商”、“颜色”、“年代”。产地生产商颜色年代类别1980P1990P1980N1980P其中：“产地”的值域为0、“生产商”的值域为（，）、“颜色”的值域为0、“年代”的值域为（1980,1990）o这里规定“假设”的形式为4个属性值约束:的合取：每个约束可以为：一个特定值（比如、等）、？（表示接受任意值）和（表示拒绝所有值）。例如，下面假设：表示日本生产的、红色的汽车。1） 根据上述提供的训练样例和假设表示，手动执行候选消除算法。特别是要写出处理了每一个训练样例后变型空间的特殊和一般边界；2） 列出最后形成的变型空间中的所有假设O2 .写出3算法。（要求：除标准3算法外，要加入“未知属性值”和“过适合”两种情况的处理）。3 .给出个求最小属性了集的算法。4 .给定训练例子集如下表。依据给定的训练例子，使用朴素贝叶斯分类器进行分类。给定类别未知例子高度=矮，头发=红，眼睛=兰,计算这个例子的类别。（计算类别时要先列出式子，然后再代入具体的数）o例子号高度头发眼睛类别1矮淡黄十2高淡黄3高红A十4高淡黄褐5矮三*¼AZ-6¾黑7高黑褐8矮红褐5 .给定线性函数7w=W%+Wrt1+.+H；IX（I与误差定义E='-.7iv）2其中，X,是例子X的第i个属性值，f（x）是目标函数，D是训练例子集合。请给出一个算法，这个算法能求出一组值，使得线性函数/U）逼近目标函数f（x）（本题要求写出算法的步骤，第.法步骤的详细程度要符合书中算法的标准）。6 .给定例子集（如下表），要求：1）用平面图直观画出例子的分布：2）给出一种规则好坏的评判标准：3）写出概念聚类算法。例子X1.X2X3X4e1.OAO1e2OBOOe3OC12e41AO2e51C11e62A1Oe72BO1e82B127 .简述题D简述“机器发现”的三个定律:2)、是分析学习和归纳学习结合的三个算法。简述这三个算法与单纯的归纳学习方法相比，分别有什么区别或优点。8 .关于模式定理D分析“选择步”对群体遗传的影响：令m()是群体中模式s在时间t(或第t代)的实例数量，f（三）是个体h的适应度，一刖是时间t(或第t代)群体中所有个体的平均适应度，n为群体中个体的总数量，於M是时间t(或第t代)群体中模式写的实例的平均适应度。在“选择步”中，每个个体被选中的概率为（三）(（三）的计算见公式(1),如果共进行了n次独立选择，请给出在第(1)代(即下代)的群体中，模式S的实例存在的期望数量EDn(1)(要求给出分析过程)。Pr()=(1)1(.>2)分析“变异步”对群体遗传的影响：令m()是群体中模式S在时间t(或第t代)的实例数量。设在模式S中有R(三)个确定位，变异操作以概率选择位并改变这位上的值。如果只考虑变异步对群体遗传的影响，请给出在第(1)代(即下一代)的群体中，模式S的实例存在的期望数量Em(D(要求给出分析过程)O