机器学习1-2章习题答案

简介：
基于给定文件中的信息，我们能够通过分析提炼出与之对应的机器学习相关知识。一、机器学习应用案例分析 #### 适用场景： 1. **人脸识别**：基于图像中的脸部特征进行分析与比对，以完成身份识别和人脸搜索功能的实现。该技术适用于安全监控系统、社交媒体平台等。 2. **手写识别**：将手写的文字转译为数字化文本，在邮政服务、银行的签名认证以及智能设备的人工输入等多种应用场景中得到应用。 3. **信用卡审批**：通过分析用户的信用历史与收入信息来评估其可能的违约风险，并实现信用额度自动审核功能。 #### 不适用场景： 1. **薪酬计算**：基于固定运算规则的数学处理，无需依赖机器学习算法进行模式识别或预测分析。 2. **数据库查询执行**：遵循预先设定好的固定查询指令进行操作，不涉及复杂的数据分析或动态模式识别过程。 3. **文字处理软件应用**：如Microsoft Word这类程序主要依靠预设的操作指令集完成任务，并不具备动态的学习和模型训练能力。 ### 2. 基于机器学习中基于假设空间的规模评估在EnjoySport学习任务中，该学习任务中的假设空间大小被确定为973。具体而言： 如果某个属性值设为φ，则表示该属性不存在任何实例特征，这将导致所有包含φ的假设均等同于一个单一的全局否定假设，即所有属性均为φ。 此外，考虑到每个属性具有四种可能性（包括φ），其中第一个属性仅有三种可能的状态，因此整个假设空间的大小计算公式可表示为(4×3^5+1=973)。 在引入名为WaterCurrent的新属性后，该属性可取Light、Moderate或Strong三种值。假设空间大小变为$3 \times 2^{4} \times 3=288$。同时，实例的数量变为$3 \times 2^{4} \times 3=288$；假设的空间规模变为$4\times3^{5}\times4+1=3889$。 一般来说，如果新增属性A有k个可能值，则所计算的空间规模为(4乘以3的五次方乘以(k加一)加一)。### 三、EnjoySport的学习目标与候选消除算法的实现在EnjoySport学习任务中，聚焦于基于配对析取形式构建的新假设空间H。例如，一个典型的H假设可能是(?, Cold, High, ?, ?, ?)与(Sunny, ?, High, ?, ?, Same)的结合。基于训练样本序列运用CANDIDATE-ELIMINATION算法，可以追踪S和G边界集合的变化。基于训练样本一，包括特征向量及其相关属性：- S0被设定为其全部可能的逻辑或形式，G0同样被设定为所有可能的逻辑或形式。- 其后续迭代版本S₁和G₁则更精确地刻画了该实例的核心属性此过程体现了机器学习中逐步构建与优化假设空间的全过程，并通过算法迭代实现了模型准确率和泛化能力的提升。其中最为关键的就是这种方法对理解机器学习基本原理的作用。