24机器学习-试题回忆

文档信息

编者: Egopposer（line2345）
日期: 2024/12/13

前言及试题概览

说明

斜体为记忆模糊的题目,不保证可信度
黑体为我认为需要关注的点

试题概览

主观评价较多，仅供娱乐

评价项	评分/说明
题量	特大（取决于计算器质量）
难易度（软院专业课中）	8+1（计算量）/10
送分题占比	20%
背诵记忆占比	5%（几乎没有硬背内容，都是需要理解才能写出来的）

---

• pdf下载链接: 机器学习-试题回忆 PDF

---

一、选择题（2×15=30分）

题目特点

质量很高的选择题，完全不是选词填空的硬背就行的情况。对问题的理解和各章节的综合理解有要求，也有送分题

1. 下列算法中不能直接对图像数据进行分类的是（ ）

   • A. CART
   • B. SVM
   • C. logistic
   • D. LDA

2. 对下列线性样本使用"留一法"进行数据集划分，得到的均方误差为（ ）

   x	y
   1	0
   3	1
   2	2

3. 预测股市价格走向属于下列哪类任务（ ）

   • A. 回归
   • B. 分类
   • C. 表征

4. 给定软间隔支持向量机定义，当约束变量 \(\xi_i\) 大于零小于一时，该样本点位于（ ）

5. 当（且仅当？）一个向量为支持向量时，下列选项成立的是（ ）

   注意

   选项仅供参考，可能就没有正确的，正确的我记得好像是约束生效的形式变了一下？忘了

   • A. \(1-y_i(\omega x_i+b)=0\)
   • B. \(\lambda_i\ne 0\)
   • C. \(\lambda_i y_i x_i =0\)
   • D. \(x_i(\hat{y_i}-y_i) \geq 0\)

6. 给定PCA的结果图像，指出其中的第一主成分（ ）

7. 好的聚类结果具有的特征是（ ）

   • A. 簇内相似度高，簇间相似度低
   • B. 簇内相似度低，簇间相似度低
   • C. 簇内相似度高，簇间相似度高
   • D. 簇内相似度低，簇间相似度高

---

二、判断题（2×10=20分）

题目特点

和选择一样，30%左右的题对理解有一定要求

1. 逻辑回归算法只能做分类任务（ ）

2. 机器学习中的经验（E）指的是数据（ ）

3. 信息增益率比信息增益更不偏好样本类别少的数据（ ）

4. 剪枝是解决决策树过拟合的有效手段（ ）

5. 深度学习不能解决回归问题（ ）

6. 反向传播算法中应用了链式求导法则（ ）

---

三、简答题（4+4+6+6=20分）

题目特点

和软院其他简答题大不相同了，不需要怎么背

1. M-P神经元（4分）

画出M-P神经元的工作图，并简述其工作流程。

2. 拉格朗日函数（6分）

关于优化目标 \(\max f(x)\) 和约束条件 \(g(x)-n(x+k)\geq C\)，\(乱七八糟的一坨\leq 另一坨\)，写出其拉格朗日函数。

3. Logistic推导（6分）

填空题：Logistic的推导过程

• \(p_0=P(y_i=0)=\)
• \(p_1=P(y_i=1)=\)
• 化简到最简，优化目标为 \(\min\)

4. PCA算法（4分）

简述PCA算法的工作流程。

---

四、综合题（6+7+8+10=31分）

计算量警告

卡西欧991cnx拼尽全力无法战胜

1. K-means聚类（6分）

给定下列数据集，初始化3和5作为聚类的初始中心点，使用k-means算法，给出Lloyd算法前两次迭代的中心点和聚类结果。

编号	花萼长度	花萼宽度	花瓣长度	花瓣宽度	种类
1					A
2					A
3					A
4					A
5					B
6					B
7					B
8					B

吐槽

初见端倪，8×4的样本，还非整数
你不会指望我把数据集给你背下来吧(˘•ω•˘)

2. LDA散度矩阵（7分）

使用上一题的数据集，计算其LDA中的类间散度矩阵和类内散度矩阵。

3. 分类评估指标（8分）

给出下列二分类结果，给出其混淆矩阵、精度、召回率、F1值、TPR、FPR。

样本属性	□	○	□	□	□	□	○	○	○	○
预测结果	○	□	○	□	□	○	□	○	□	○

4. SVM分类超平面（10分）

对于正样例 \((x_1,y_1)\)，负样例 \((x_2,y_2)\)，\((x_3,y_3)\)，使用SVM计算其分类超平面。

提示

课件原题微调，并且直接给出了优化目标