【机器学习周志华】专业课考试重点笔记-含试题及答案

【机器学习周志华】专业课考试重点笔记-含试题及答案 周志华的《机器学习》是目前最经典的机器学习教材之一，备考其专业课，掌握核心概念和关键算法是至关重要的。以下为针对考试的重点笔记，包含部分典型试题及答案，旨在帮助同学们在补考中取得好成绩。 核心概念回顾 本课程围绕监督学习、无监督学习、降维、模型评估等主题展开。监督学习中，线性回归、逻辑回归、支持向量机（SVM）是基础，理解模型的假设函数、损失函数及其优化方法是关键。 无监督学习则主要涉及聚类算法如K-means，以及降维方法如PCA。 此外，模型评估指标如准确率、召回率、F1-score等也需要熟练掌握，并理解交叉验证的目的和意义。 典型试题及答案 问题1: 请简述线性回归模型的基本思想以及损失函数。 答案: 线性回归模型的基本思想是建立自变量与因变量之间的一条线性关系，通过最小化预测值与真实值之间的误差来拟合数据。常用的损失函数是均方误差（MSE），其公式为： L(y, ŷ) = (y - ŷ)² 其中y为真实值，ŷ为预测值。 问题2: K-means算法的步骤是什么？ 答案: K-means算法的步骤如下： 1. 随机初始化K个质心。 2. 将数据集中的每个样本分配到距离质心最近的簇中。 3. 重新计算每个簇的质心，即计算该簇中所有样本的均值。 4. 重复步骤3，直到质心不再发生变化或达到最大迭代次数。 问题3: PCA的主要作用是什么？ 答案: PCA（主成分分析）的主要作用是降低数据的维度，同时保留数据中尽可能多的信息。它通过对数据进行旋转，将数据投影到低维空间中，从而减少计算量和噪声的影响。 备考建议 仔细阅读教材中每个章节的重点内容。 重视算法的理解和推导，避免死记硬背。 多做练习题，巩固所学知识。 理解不同算法的适用场景和优缺点。 希望这些笔记和试题能对您的补考有所帮助！ 展开