2020年中山大学《机器学习》期末练习题1.docx

下列各题每个大题10分，共8道大题，卷面总分80分
注意：在给出算法时，非标准（自己设计的）部分应给出说明。

特别是自己设置的参数与变量的意义要说明。

1.下面是一个例子集。

其中，三个正例，一个反例。

“P”为正例、“N”为反例。

这些例子是关于汽车的。

例子有4个属性, 分别是“产地”、“生产商”、“颜色”、“年代”。

其中：“产地”的值域为0、“生产商”的值域为（，）、“颜色”的值域为0、“年代”的值域为（1980,1990）o这里规定“假设”的形式为4个属性值约束:的合取：每个约束可以为：一个特定值（比如、等）、？（表示接受任意值）和（表示拒绝所有值）。

例如，下面假设：
表示日本生产的、红色的汽车。

1）根据上述提供的训练样例和假设表示，手动执行候选消除算法。

特别是要写出处理了每一个训练样例后变型空间的
特殊和一般边界；
2）列出最后形成的变型空间中的所有假设O
2.写出3算法。

（要求：除标准3算法外，要加入“未知属性值” 和“过适合”两种情况的处理）。

3.给出•个求最小属性了∙集的算法。

4.给定训练例子集如下表。

依据给定的训练例子，使用朴素贝叶斯分类器进行分类。

给定类别未知例子〈高度=矮，头发=红，眼睛=兰＞,计算这个例子的类别。

（计算类别时要先列出式子，然后再代入具体的数）o
5.给定线性函数7w = W% + W r t1 + ... + H；I X（I与误差定义E = ' χσω -.7i∙v））2
其中，X,是例子X的第i个属性值，f（x）是目标函数，D是训练例子集合。

请给出一个算法，这个算法能求出一组值，使得线性函数/U）逼近目标函数f（x）（本题要求写出算法的步骤，第.法步骤的详细程度要符合书中算法的标准）。

6.给定例子集（如下表），要求：1）用平面图直观画出例子的分布：2）给出一种规则好坏的评判标准：3）写出概念聚类算法。

7.简述题
D简述“机器发现”的三个定律:
2)、、是分析学习和归纳学习结合的三个算法。

简述这三个算法与单
纯的归纳学习方法相比，分别有什么区别或优点。

8.关于模式定理
D分析“选择步”对群体遗传的影响：令m()是群体中模式s在时间t (或第t代)的实例数量，f(h)是个体h的适应度，一刖是时间t (或第t代)群体中所有个体的平均适应度，n为群体中个体的总数量，於M是时间t (或第t代)群体中模式写的实例的平均适应度。

在“选择步”中，每个个体被选中的概率为(h) ((h)的计算见公式(1)),如果共进行了n次独立选择，请给出在第(1)代(即下•代)的群体中，模式S的实例存在的期望数量EDn(1)](要求给出分析过程)。

Pr(Λ) = —―(1)
Σ1√(Λ.>
2)分析“变异步”对群体遗传的影响：令m()是群体中模式S在时间t
(或第t代)的实例数量。

设在模式S中有R(S)个确定位，变异操作以概率选择•位并改变这位上的值。

如果只考虑变异步对群体遗传的影响，请给出在第(1)代(即下一代) 的群体中，模式S的实例存在的期望数量E[m(D](要求给出分析过程)O。