《厦门大学机器学习考试题》由会员分享，可在线阅读，更多相关《厦门大学机器学习考试题（4页珍藏版）》请在金锄头文库上搜索。
1、第一题判斷题（10分，每小题1分）1 逻辑斯蒂回归模型可以用来做分类，但是SVM不能用来做回归。（）2 训练数据较少时更容易发生过拟合。丄丄 如果回归函数A比B简单，则A-定会比B在测试集上表现更好_Q_4 在核回归中，最影响回归的过拟合性和欠拟合之间平衡的参数为核函数的宽度。5 在AdaBoost算法中，所有被错分的样本的权重更新比例相同。_U_6 Boosting的一个优点是不会过拟合。（）7 梯度下降有时会陷于局部极小值，但EM算法不会。（）8 SVM对噪声（如来自其他分布的噪芦样本）鲁棒。（）9 经验风险最小化在一定条件下与极大似然估计是等价的10 在回归分析中，最佳子集选择可以做特征
2、选择；Lasso模型也可以实现特征选择。 （）第二题统计学习方法的三要素（10分）4（5分）H是一个函数空间，p（Ag“讣叫叫）-号吃，注意只有W2被惩罚。则当C很大时，如图1（b）所示的4个决蕃边界中，哪条线可能是由该正则方法得到的厶、厶和厶可以通过正则肌得到吗简要说明理由。A*（7分）如果我们将正则项给岀厶范式，即最大化2&尸（儿|兀,叫叫）-午（帆| + |叫|）1-12则随着C增大，下面哪种情形可能出现（单选）注：简要说明理由（A） %将变成0,然后叱也将变成0。叫将变成0,然后册也将变成0。（C）脚和叱将同时变成0o （D）两个权重都不会变成0,只是随着Q的增大而减小为0o第八题Ad
3、aBoost （15分）考虑如下图2所示的训练样本，其中X和0分别表示正样本和负样本。采用AdaBoost 算法对上述样本进行分类。在Boosting的每次迭代中，选择加权错误率最小的弱分类器。 假设采用的弱分类器为平行两个坐标轴的线性分类器。5.554.5 43.532.52 1.510.50(11111111-L.1Jt1J -1*1111 till tillX +11111111111- uu1 1 1 1 111 右*111111111具11：1111*宾11 * 11IIIill- jtill1 1 1 1 1 tillX1111111111ill 1111111111111111111Bill)1234155图2训练数据1 （4分）在图2中标出第一次迭代选择的弱分类器（厶），并给出决策面的和 面。2 （4分）在图2中用圆圈标岀在第一次迭代后权重最大的样本，其权重是多少3 （4分）第一次迭代后权重最大的样本在经过第二次迭代后权重变为多少（3分）强分类器为弱分类器的加权组合。则在这些点中，存在被经过第二次迭代后的 强分类器错分的样本吗给出简短理由。
