山东大学2018级人工智能实验班机器学习期末考题回顾与关键知识点梳理
5星 · 超过95%的资源 需积分: 50 168 浏览量
更新于2024-09-03
14
收藏 533KB PDF 举报
在山东大学计算机学院人工智能实验班(2018级)2020年7月的机器学习与模式识别期末考试中,涵盖了多个关键知识点。首先,理论部分包括了对过拟合和欠拟合概念的理解以及缓解策略,过拟合是指模型在训练数据上表现优秀但泛化能力较差,欠拟合则是模型无法充分捕捉数据特征,通常通过增加模型复杂度、正则化等手段来解决。Bagging(集成学习的一种方法)的中文名也被提及,尽管个别考生可能对这个术语不熟悉。
Huber损失函数是一个在统计学和机器学习中常用的损失函数,它结合了均方误差和绝对误差的优势,能够抵抗异常值的影响。模型参数和超参数的区别在于,参数是模型在训练过程中自动学习的,而超参数是人为设定的控制模型复杂度的参数,优化超参数通常通过交叉验证等方法进行。
逻辑回归中的目标函数涉及到极大似然法,当y取±1时,目标是对参数进行估计以最大化似然函数。在数学表达上,需要利用sigmoid函数的导数。另一个重要部分是Singular Value Decomposition (SVD)的使用,特别是在PCA(主成分分析)中,SVD被用来降低数据维度并保留主要信息。
Fβ评估方程是衡量分类模型性能的指标,尤其关注精确度和召回率的平衡。朴素贝叶斯分类器中,通过频率代替概率的处理方式基于二项分布和极大似然原理,这是因为朴素贝叶斯假设特征之间相互独立,简化了概率计算。
计算题部分,涉及到了支持向量机(SVM)的核心概念,包括原始问题的目标函数和对偶问题的目标函数,以及在特定核函数下的求解。此外,还考察了查准率和召回率的计算,这是评估信息检索或分类任务效果的重要指标。线性回归问题也有所涉及,如平方损失函数的使用、梯度下降算法的变种(SGD和BGD),以及加入L1正则化后的目标函数及其作用。
本次考试覆盖了机器学习的基础理论、模型优化、模型评估、特定算法的数学细节以及实践应用,对考生的理论知识和计算能力都有较高的要求。随着教学计划的调整,不同年级的考试题目有一定的连续性,但也会引入新的知识点和技能挑战。
2020-01-08 上传
2023-06-19 上传
2023-03-22 上传
2023-04-27 上传
2023-09-10 上传
2023-05-14 上传
2023-03-26 上传
背着代码的蜗牛
- 粉丝: 307
- 资源: 24
最新资源
- C++标准程序库:权威指南
- Java解惑:奇数判断误区与改进方法
- C++编程必读:20种设计模式详解与实战
- LM3S8962微控制器数据手册
- 51单片机C语言实战教程:从入门到精通
- Spring3.0权威指南:JavaEE6实战
- Win32多线程程序设计详解
- Lucene2.9.1开发全攻略:从环境配置到索引创建
- 内存虚拟硬盘技术:提升电脑速度的秘密武器
- Java操作数据库:保存与显示图片到数据库及页面
- ISO14001:2004环境管理体系要求详解
- ShopExV4.8二次开发详解
- 企业形象与产品推广一站式网站建设技术方案揭秘
- Shopex二次开发:触发器与控制器重定向技术详解
- FPGA开发实战指南:创新设计与进阶技巧
- ShopExV4.8二次开发入门:解决升级问题与功能扩展