机器学习周志华习题1.1和1.2

文章目录第1章 绪论 第1章 绪论 1.1 求版本空间 先看书中示例 版本空间： 从假设空间删除掉与正例不一致和与反例一致的假设后，剩余的假设所组成的集合。它可以看成是对正例的最大泛化。 表1.1的训练数据集对应的假设空间应该如下： 1 色泽＝＊，根蒂＝＊，敲声＝＊ 2 色泽＝青绿，根蒂＝＊，敲声＝＊ 3 色泽＝乌黑，根蒂＝＊，敲声＝＊ 4 色泽＝＊，根蒂＝蜷缩，敲声＝＊ 5 色泽＝＊，根蒂＝硬挺，敲声＝＊ 6 色泽＝＊，根蒂＝稍蜷，敲声＝＊ 7 色泽＝＊，根蒂＝＊，敲声＝浊响 8 色泽＝＊，根蒂＝＊

决策树(decision tree)是一类常见的机器学习方法，是一种基于树结构的监督学习算法，广泛应用于分类和回归任务中。

1.1版本空间 1.2 感觉上，可能的假设应当就是不同的版本空间，则对应了如图1.2的3种版本空间 1.3 看不懂题目意思。设置阈值，或者排除异类后，按优先级具有偏好。 1.4 不能理解，等回过头来再看这题吧。

机器学习记录

机器学习 周志华 习题1.2 题目大致意思是： 西瓜，有3种颜色（青绿，乌黑，灰白），藤有两种（蜷缩，硬挺），如果敲它一下，有两种声音（浊响，沉 闷）。假设训练集合为（青绿，蜷缩，浊响）为好瓜，（乌黑，蜷缩，沉闷）为坏瓜。则问好瓜有多少种假设？ 代码用py写的，顺便练习一下py： # -*- coding: gb2312 -*- """ Created on Wed May

机器学习 周志华 课后习题3.5 线性判别分析LDA

机器学习_周志华 课后习题答案 第一章 Chapter1 习题1.1 Q：表1.1中若只包含编号为1和4的两个样例，试给出相应的版本空间。 由所给出的数据集（训练集）可知，属性3个：色泽、根蒂、敲声，其属性值分别有两个。 以A、B分别代表每个属性的两个属性值，“.”代表取什么值都合适。 那么以上的数据集为：1： AAAY ；4：BBBN 因此，我们可以做出的假设规模为：3x3x3+1=28个。 ...

非形式化定义：将人的“经验”作为计算机的“数据”，让计算机来学习这些经验数据，从而得到一个算法模型，同时在面对新的情况时，计算机能够做出准确有效的判断。形式化定义：假设T为计算机程序希望实现的任务类，P为计算机程序在某任务类T上的性能，E为经验，即历史的数据集。若该计算机程序通过利用经验E在任务T上获得了性能P的改善，则称该程序对E进行了学习。

环境：PyCharm Professional 2019.1 + Python 3.7 + win 10 一共三个属性，分别有 2， 3 ， 3 个属性值。假设空间规模 3 × 4 × 4 + 1 = 49 。去除空还剩 48，其中不含通配符的假设有 2 × 3 × 3 = 18 个。其余假设均可以由不含通配符的假设析取获得。 由递归和迭代两种方式实现求解，其中递归方式更容易理解 递归方式： #!/use/bin/env python3 # -*- coding: utf-8 -*- import time

看了机器学习（周志华版）参考答案第一章——绪论的博客 发现他说的1.2的答案不太对 所以再讨论一下： 首先考虑冗余有多少种可能性，先看看各个属性空间： #Perlmy @color=("青绿","乌黑","浅白"); my @type=("蜷缩","硬挺","稍蜷"); my @sound=("浊响","清脆","沉闷"); 毕竟文章里面提到了浅白色，所以考虑浅白 有

7.3 试编程实现拉普拉斯修正的朴素贝叶斯分类器，并以西瓜数据集3.0为训练集，对p151“测1”样本进行判别。 编程得到结果为: [0.024223607117715082, 4.4242506192749345e-05] 因此测试例应预测为好瓜。 # -*- coding: utf-8 -*- # exercise 7.1: apply LL method to estimate th

1.1 表1.1若只包含编号为1和4的两个样例，试给出相应的版本空间。 编号 色泽 根蒂 敲声 好瓜 1 青绿 蜷缩 浊响 是 4 乌黑 稍蜷 清脆 否 答： （ 色泽 = 青绿  ； 根蒂 = 蜷缩 ； 敲声 = 浊响 ） （ 色泽 =  *  ； 根蒂 = 蜷缩 ； 敲声 = 浊响 ） （ 色泽 =

我的解答，旨在交流和学习，我自学，又没有好的交流方式，于是我想到了在csdn上写博客 西瓜书习题1.2 与使用单个合取式来进行假设表示相比，使用“析合范式”将使得假设空间具有更强的表达能力，例如 好瓜←→在这里插入代码片> ((色泽=)∧（根蒂=蜷缩）∧在这里插入代码片（敲声=)）> ∨（（色泽=乌黑）∧(根蒂=*）∧ 好瓜←→ ((色泽=*)∧（根蒂=蜷缩）∧（敲声=*)）∨（（...