Skip to content

Latest commit

 

History

History
84 lines (58 loc) · 4.31 KB

Readme.md

File metadata and controls

84 lines (58 loc) · 4.31 KB
Raw

Machine-Learning (Zhou Zhihua)（周志华《机器学习》课后练习）

My answers (i.e. ideas, code) for the book "Machine Learning (机器学习)" written by Prof. Zhou Zhihua.

ps. all the code exercises are implemented by Python in eclipse-pydev env.

for more info: welcome to my blog: PnYuan - 周志华《机器学习》习题解答 and CSDN - 周志华《机器学习》课后习题解答系列

(更新中...2017-7-25)

Ch6.Support Vector Machine (支持向量机)

练习包括(exercises include)：

  • 支持向量分析实验(code here)；
  • 支持向量机与BP网络/C4.5决策树对比实验（experiment of SVM/BP/C4.5）(code here)；
  • 线性核SVM与LDA的关系（comparison of linear kernel SVM and LDA）；
  • 高斯核SVM与RBF网络的关系（comparison of RBF kernel SVM and RBF net）；
  • SVM对噪声敏感的原因（reason of noise-sensitive）；
  • SVR实验（experiment of SVR）(code here)；
  • 核对率回归设计（about kernel logistic regression - KLR）；

Ch5.Neural Networks (神经网络)

练习包括(exercises include)：

  • 激活函数选择考虑（selection of activation function）；
  • Sigmoid激活函数与对率回归的联系（the relationships between Sigmoid() and Logistic Regression）；
  • BP算法推导（conduction of BP algorithm）；
  • 学习率分析（analysis of learning rate in NN training）；
  • 标准BP算法和累积BP算法对比实验（comparative experiment of BP）(code here)；
  • BP算法改进（improvement of BP algorithm）(code here)；
  • RBF神经网络实现（implementation of RBF network）(code here)；
  • SOM神经网络实验（experiment of SOM network）(code here)；
  • 卷积神经网络实验 - 字符识别（experiment of CNN on MNIST）(code here)；

Ch4.Decision Tree (决策树)

练习包括(exercises include)：

  • 决策树划分选择准则；
  • 编程实现ID3算法（implementation of ID3）(code here)；
  • 编程实现CART算法与剪枝操作（implementation of CART and pruning）(code here)；
  • 多变量决策树生成方式（multivariate decision tree）；
  • 非递归决策树生成方法（generation of decision - non-recursive approach using DFS/BFS）

Ch3.Linear Model (线性模型)

练习包括(exercises include)：

  • 分析偏置项b（bias terms）；
  • 证明对数似然是凸函数（convex functions）；
  • 编程实现对率回归（implementation of logistic regression）(code here)；
  • 实验比较k-fold_CV和LOOCV（analysis of cross-validation）(code here)；
  • 编程实现线性判别分析（implementation of LDA）（code here）；
  • 线性判别分析的非线性拓展（nonlinear stretching of LDA）；
  • 最优ECOC编码方式；
  • 多分类到二分类分解时类别不平衡的考虑（class-imbalance）。

Ch2.Model Evaluation and Selection (模型评估与选择)

练习包括(exercises include)：

  • 分层抽样(stratified sampling)划分训练集与测试集；
  • 留一法(leave-one-out)与k-折交叉验证法(k-fold cross validation)比较;
  • F1值与BEP的关联;
  • TPR、FPR、P、R之间的关联;
  • AUC推导;
  • 错误率与ROC的关系
  • ROC曲线与代价曲线(cost-curve)的对应关系;

Ch1.Introduction (绪论)

练习包括(exercises include)：

  • 求版本空间(version space)；
  • 析合范式(disjunctive normal form)提升假设空间(hypothesis space)；
  • 噪声环境(noise)下归纳偏好(inductive bias)考虑；