机器学习第一阶段练习题
一、选择题
1.以下三阶泰勒展开式错误的一项是（B）
A.     B.  
C.           D.    
分析：
2. 以下不属于凸函数一项的是（D）
A. y=-log x   B. y=x log x   C. y=||x||p      D.  y=eax
分析：a应该限定取值范围：a≥1或a≤0
3. 以下说法错误的一项是（C）
A. 负梯度方向是使函数值下降最快的方向
B. 当目标函数是凸函数时，梯度下降法的解是全局最优解
C. 梯度下降法比牛顿法收敛速度快
D. 拟牛顿法不需要计算Hesse矩阵
分析：牛顿法需要二阶求导，梯度下降法只需一阶，因此牛顿法比梯度下降法更快收敛
4. 一般，k-NN最近邻方法在（B）的情况下效果较好
A. 样本较多但典型性不好  B. 样本较少但典型性好
C. 样本呈团状分布        D. 样本呈链状分布
分析：k近邻算法对较多且典型不好的，团状，链状的样本不具有太大的优势
5. 机器学习中L1正则化和L2正则化的区别是？（A）
A. 使用L1可以得到稀疏的权值，使用L2可以得到平滑的权值
B. 使用L1可以得到平滑的权值，使用L2可以得到平滑的权值
C使用L1可以得到平滑的权值，使用L2可以得到稀疏的权值
D.使用L1可以得到稀疏的权值，使用L2可以得到稀疏的权值
分析：L1正则化偏向于稀疏，它会自动进行特征选择，去掉一些没用的特征，也就是将这些特征对应的权重置为0。L2主要功能是为了防止过拟合，当要求参数越小时，说明模型越简单，而模型越简单则，越趋向于平滑，从而防止过拟合。
二、公式推理题
1.请写出通过条件概率公式和全概率公式推出贝叶斯公式的过程
分析：条件概率：
全概率：
贝叶斯公式：
2.请写出正态分布的概率密度函数、期望、以及方差
分析：概率密度函数：；期望：；方差：
三、简答题
1.求函数的最小值
分析：令两边取对数：两边对t求导：
令t’=0：，则即为f(x)最小值。
2.欠拟合和过拟合的原因分别有哪些？如何避免？
分析：
欠拟合的原因：模型复杂度过低，不能很好的拟合所有的数据，训练误差大；
避免欠拟合：增加模型复杂度，如采用高阶模型（预测）或者引入更多特征（分类）等。
过拟合的原因：模型复杂度过高，训练数据过少，训练误差小，测试误差大；
避免过拟合：降低模型复杂度，如加上正则惩罚项，如L1，L2，增加训练数据等。
3.列举聚类算法有哪些相似性度量准则及公式（至少四个）
分析：曼哈顿距离：；欧氏距离：；
Jaccard系数：；余弦相似度：；
皮尔森系数：；相对熵（K-L距离）：
4.若要对以下图案进行聚类分析需要采用哪种聚类方法，简述理由和该方法步骤
分析：该图案为非凸状的，因此不能使用基于距离的聚类算法（k-means、k-medoids等），可选择密度聚类（DBSCAN等）、网格聚类（STING）等非距离的方法。
5.简述UserCF和ItemCF算法的相同点与不同点
分析：
正则化可以产生稀疏权值
项目
UserCF
ItemCF
性能
适用于用户较少的场合，如果用户过多，计算用户相似度矩阵的代价交大
适用于物品数明显小于用户数的场合，如果物品很多，计算物品相似度矩阵的代价交大
领域
实效性要求高，用户个性化兴趣要求不高
长尾物品丰富，用户个性化需求强烈
实时性
用户有新行为，不一定需要推荐结果立即变化
用户有新行为，一定会导致推荐结果的实时变化
冷启动
在新用户对少的物品产生行为后，不能立即对他进行个性化推荐，因为用户相似度是离线计算的 
新物品上线后一段时间，一旦有用户对物品产生行为，就可以将新物品推荐给其他用户
新用户只要对一个物品产生行为，就能推荐相关物品给他，但无法在不离线更新物品相似度表的情况下将新物品推荐给用户
推荐理由
很难提供
可以根据用户历史行为归纳推荐理由

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。