山东大学2016模式识别考试地题目回忆版.docx

实用标准 实用标准 文案大全 文案大全 一、判断题（共 10 个题） 请写清楚题号，在答卷纸上填写√或×，不要直接在本页回答。 特别说明：本部分题目的得分规则为：答对一个题，得2 分；不答（即放弃回答）的题，本题得 0 分；答错一个题，得-2 分（即反扣 2 分）。本道大题得负分的，从其他大题扣除。所以，判断题的回答，建议慎重对待。 基于最小错误率的贝叶斯概率是 损失函数 0-1 的 基于最小风险贝叶斯概率的特例 监督参数估计是（太多记不住）。。。 单隐层神经网络在经过足够训练后，不管节点多少，总能找到全局最优解。 决策树可以生成规则集，且生成的规则集是可以解释的。 SVM 向量机在样本数据少、非线性的情况下有优势。 Bagging 是一种串行学习框架。 泛化能力指的是在训练集中体现的特点。 Self_Trainning 是一种半监督的方法。 决策树属性选择是依照信息增益比。 2006 年以前，多隐层神经网络因为缺乏良好的算法，限制了深度学习的发展。 二、计算题 设在某个局部地区细胞识别中正常 和异常 两类的先验概率分别为： 正常状态： P ( 异常状态： P ( ) 0.9 1 2 1 ) 0.1 2 现有一待识别的细胞，其观察值为x，从类条件概率密度分布曲线上查得 p(x | ) 0.2, p(x | 1 ) 0.4 2 试使用贝叶斯决策对该细胞x 进行分类（要求给出具体计算过程及计算结果） 解： 利用贝叶斯公式，分别计算出 及 的后验概率 1 2 P ( |x) p(x | )p( 1 ) 0.2 0.9 1 0.818 1 2 p(x | j 1 )p( ) j j 0.2 0.9 0.4 0.1 P ( |x) 1 P ( 2 |x) 0.182 1 根据贝叶斯决策规则，有 P ( |x) 0.818 P ( |x) 0.182 1 2 所以合理的决策规则是把x 归类于正常状态。 三、简答题 1、应用贝叶斯决策需要满足的三个前提条件是什么？ （1）分类的类别数；（2）先验概率；（3）各类的类条件概率密度。 2、试简述您对先验概率和后验概率理解 先验概率：预先已知的或者可以估计的模式识别系统位于某种类型的概率。根据大数定律，当训练集包含充足的独立同分布样本时，先验概率就可以通过各类样本出现的频率来进行估计。 后验概率：后验概率是通过贝叶斯公式对先验概率进行修正，计算而得出的概率。表示 系统在某个具体的模式样本X 条件下位于某种类型的概率。 3、试简述 Fisher 线性判别的基本思想 解决多维到一维的投影问题，利用线性判别方法解决一维分类问题。 从 k 个总体中抽取具有p 个指标的样品观测数据，借助方差分析的思想构造一个线性判别函数，构造原则是使得总体之间区别最大，而使各总体内部的离差最小。有了线性判别函数之后，对于一个新的样品，将它的 p 个指标值带入线性判别函数式中求出结果值，然后根据一定的规则，就能判别新的样品属于哪个总体。 投影降维：将多维空间的样本投影到一维空间，根据实际情况找到一条最好的、易于分 类的投影线。寻找合适的投影方向，即寻找好的变换向量。 一维分类：当维数和样本数都很大时，可用贝叶斯决策规则；上述条件都不符合，可用先验知识选定分界阈值点y0，再有决策规则判断x 属于何类别。 4、试简述何为 k-近邻法 （1）K-近邻学习是一种常用的监督学习方法， （2）k-近邻法的基本思想：给定一个训练数据集，对新的输入实例，基于某种距离度量找出训练集中与其最靠近的 K 个实例（邻居）。然后基于这 K 个实例的信息来进行预测，使各点邻域体积为数据的函数，而不是样本数的函数，实现各点密度估计。看这 K 个近邻中多数属于哪一类，就把输入实例归为哪一类； 5、试简述您对非线性支持向量机（SVM）理解 题，求得原始问题的对偶问题的最优解,由此可以求出原始问题的最优解；对于线性支持向量机，选择一个合适的惩罚参数C 题，求得原始问题的对偶问题的最优解 ,由此可以求出原始问题的最优解； （1）选取适当的核函数和适当的参数，构造原始问题的对偶问题,求得对应的最优解 ；在处理非线性问题时，可以通过将非线性问题转化成线性问题，并通过已经构建的线性支持向量机来处理。在线性不可分的情况下，SVM 首先在低维空间中完成计算，然后通过选 （1）选取适当的核函数 和适当的参数 ，构造原始问题的对偶问题,求 得对应的最优解 ； （2）选择 的一个满足的分量，求 ； （2）选择 的一个满足 的分量，求 ； 6、试简述何为度量学习 在机器学习中，对高维数据进行降维的主要目的是希望找到一个合适的低维空间，在此 空间中学习比原始空间更好。事实上，每个空间对应了在样本属性上定义的一个距离度量。度量学习可以根据不同的任务来自主