创新的专业网站建设,wordpress高级版破解版,现在还有什么网站,网站做邮箱过了一遍第三章#xff0c;大致理解了内容#xff0c;认识了线性回归模型#xff0c;对数几率回归模型#xff0c;线性判别分析方法#xff0c;以及多分类学习#xff0c;其中有很多数学推理过程以参考他人现有思想为主#xff0c;没有亲手去推。
术语学习
线性模型 l…过了一遍第三章大致理解了内容认识了线性回归模型对数几率回归模型线性判别分析方法以及多分类学习其中有很多数学推理过程以参考他人现有思想为主没有亲手去推。
术语学习
线性模型 linear model 非线性模型 nonlinear model 可解释性 comprehensibility 可理解性 understandability 线性回归 linear regression 均方误差 square loss 欧氏距离 Euclidean distance 最小二乘法 least square method 参数估计 parameter estimation 闭式 closed-form 多元线性回归 multivariate linear regression 满秩矩阵 full-rank matrix 正定矩阵 positive definite matrix 正则化 regularization 对数线性回归 log-linear regression 广义线性模型 generalized linear model 联系函数 link function 单位阶跃函数 unit-step function 替代函数 surrogate function 对数几率函数 logistic function 几率 odds 对数几率 log odds 对数几率回归 logistic regression 极大似然法 maximum likelihood method 对数似然 log-likelihood 梯度下降法 gradient descent method 牛顿法 Newton method 线性判别分析 Linear Discriminant Analysis 类内散度矩阵 within-class scatter matrix 类间散度矩阵 between-class scatter matrix 广义瑞利商 generalized Rayleigh quotient 迹 trace 分类器 classifier 拆分策略一对一 OvO One vs. One 一对其余 OvR One vs. Rest 多对多 MvM Many vs. Many 纠错输出码 ECOC Error Correcting Output Codes 编码矩阵 coding matrix 类别不平衡 class-imbalance 再缩放 rescaling 再平衡 rebalance 欠采样 undersampling 下采样 downsampling 过采样 oversampling 上采样 upsampling 阈值移动 threshold-moving 代价敏感学习 cost-sensitive learning 稀疏表示 sparse representation 稀疏性 sparsity 多标记学习 multi-label learning
3.1 试析在什么情形下式 (3.2) 中不必考虑偏置项 b.
可以理解的解释 f ( x ) w i x i f(x)w_{i}x_{i} f(x)wixi始终经过原点b0可以不考虑考虑输出 f ( x ) f(x) f(x)和 x x x的变化关系时不考虑当两个线性模型相减时消除了b。可用训练集中每个样本都减去第一个样本然后对新的样本做线性回归不用考虑偏置项b。
3.2 试证明对于参数 ω对率回归的目标函数 (3.18)是非凸的但其对数似然函数 (3.27)是凸的. 对实数集上的函数可通过求二阶导数来判别若二阶导数在区间上非负则称为凸函数若二阶导数在区间上恒大于 0则称为严格凸函数。 对率回归的目标函数 (3.18)是非凸的证明 式 3.18 其一阶导 ∂ y ∂ w x ( y − y 2 ) \frac{\partial{y}}{\partial{w}}x(y-y^{2}) ∂w∂yx(y−y2) 二阶导 ∂ 2 y ∂ w ∂ w T x x T y ( 1 − y ) ( 1 − 2 y ) \frac{\partial^{2}{y}}{\partial{w}\partial{w^{T}}}xx^{T}y(1-y)(1-2y) ∂w∂wT∂2yxxTy(1−y)(1−2y)即海森矩阵 其中 x x T xx^{T} xxT 秩为1非零特征值只有一个其正负号取决于 y ( 1 − y ) ( 1 − 2 y ) y(1-y)(1-2y) y(1−y)(1−2y) 显然当 y y y在(0.5,1)之间变化时特征值为负于是3.18式关于 w w w 的海森矩阵非半正定因此非凸。
对数似然函数 (3.27)是凸的证明参考南瓜书
3.3 编程实现对率回归并给出西瓜数据集 3.0α 上的结果.
【机器学习】习题3.3Python编程实现对数几率回归
3.4 选择两个 UCI 数据集比较 10 折交叉验证法和留 法所估计出的对率回归的错误率.
【机器学习】西瓜书习题3.4Python编程比较 10 折交叉验证法和留一法所估计出的对率回归的错误率
3.5 编辑实现线性判别分析并给出西瓜数据集 3.0α 上的结果.
【机器学习】西瓜书习题3.5Python编程实现线性判别分析并给出西瓜数据集 3.0α上的结果
3.6 线性判别分析仅在线性可分数据上能获得理想结果?试设计一个改进方法使其能较好地周于非线性可分数据
人们发展出一系列基于核函数的学习方法统称为核方法 (kernel methods). 最常见的是通过核化 (即引入核函数)来将线性学习器拓展为非线性学习器.下面我们以线性判别分析为例来演示如何通过核化来对其进行非线性拓展 7 从而得副核线性判别分析 (Kernelized Linear Discriminant Analysis简称 KLDA).
3.7 令码长为 9类别数为 4试给出海明距离意义下理论最优的 ECOC二元码井证明之.
“海明距离”是指两个码对应位置不相同的个数。 参考链接论文提到的“假设任意两个类别之间最小的海明距离为 d 那么此纠错输出码最少能矫正 [ d − 1 2 ] \left[ \frac{d-1}{2} \right] [2d−1] 位的错误。 可以用下图解释。
–f0f1f2f3f4f5f6f7f8c1111111110c2000011111c3001100111c4010101011
参考链接1–解题 参考链接2–论文
3.8* ECOC 编码能起到理想纠错作用的重要条件是:在每一位编码上出错的概率相当且独立.试析多分类任务经 ECOC 编码后产生的二类分类器满足该条件的可能性及由此产生的影响.
西瓜书上标注的一句话 将多个类拆解为两个类别子集”不同拆解方式所形成的两个类别子集的区分难度往往不同即其导致的二分类问题的难度不同于是一个理论纠错牲质很好、但导致的二分类问题较难的编码与另一 个理论纠错性质差一些、但导致的二分类问题较简单的编码最终产生的模型性能孰强孰弱很难说。 3.9 使用 OvR 和 MvM 将多分类任务分解为二分类任务求解时试述为何无需专门针对类别不平衡性进行处理. 对 OvR 、 MvM 来说由于对每个类进行了相同的处理其拆解出的二分类任务中类别不平衡的影响会相互抵消因此通常不需专门处理. 3.10* 试推导出多分类代价敏感学习(仅考虑基于类别的误分类代价)使用再缩放能获得理论最优解的条件.
参考链接1–解题
