机器学习——期末复习 重点题归纳

第一题

问题描述

现有如下数据样本：

编号	色泽	敲声	甜度	好瓜
1	乌黑	浊响	高	是
2	浅白	沉闷	低	否
3	青绿	清脆	中	是
4	浅白	浊响	低	否

（1）根据上表，给出属于对应假设空间的3个不同假设。若某种算法的归纳偏好为“适应情形尽可能少”，则该算法喜欢选择哪些“判断为好瓜”的假设？

（2）若该数据包含噪声，则假设空间中有可能不存在与所有训练样本都一致的假设。在此情形下设计一种合理的归纳偏好用于假设选择。

回答

（1）假设空间中的三个不同假设

• 假设1：色泽 = 乌黑 ∧ 敲声 = 浊响 ∧ 甜度 = 高 → 好瓜
• 假设2：色泽 = 青绿 ∧ 敲声 = 清脆 ∧ 甜度 = 中 → 好瓜
• 假设3：色泽 ≠ 浅白 ∧ 敲声 ≠ 沉闷 ∧ 甜度 ≠ 低 → 好瓜

如果算法的归纳偏好是“适应情形尽可能少”，那么它会选择那些能够覆盖最少正例的假设。在这种情况下，算法可能会选择以下两个假设：

• 假设1：色泽 = 乌黑 ∧ 敲声 = 浊响 ∧ 甜度 = 高 → 好瓜
• 假设2：色泽 = 青绿 ∧ 敲声 = 清脆 ∧ 甜度 = 中 → 好瓜

这两个假设分别只覆盖了一个正例，因此它们满足“适应情形尽可能少”的要求。

（2）合理的设计归纳偏好

在存在噪声的情况下，假设空间中可能没有一个假设能完全匹配所有的训练样本。此时可以采用以下几种归纳偏好来选择合适的假设：

• 最小化错误率：选择使得预测错误率最低的假设。
• 最大化置信度：选择对正例和负例分类最准确的假设。
• 简化原则：选择最简单的假设，即参数最少或规则最简洁的假设。

这些归纳偏好可以帮助在有噪声的数据集中找到相对较好的假设。

第二题

问题描述

假设由同一数据分布采样得到两个样本集合 S1 和 S2：

• S1 包含 6000 个数据样本；
• S2 包含 120000 个数据样本。

每个样本集均按照 9:1 的比例随机划分为训练集和测试集。请按以下要求，在同一坐标系下清晰地绘制四条曲线，并标记每一条曲线：

1. 对于每个样本集合，试画出该集合的训练误差曲线和测试误差曲线；纵轴为误差，横轴为模型复杂度。（5 分）
2. 解释曲线为何这样画的原因，即解释不同曲线的变化趋势以及曲线间的高低位置关系。（5 分）

回答问题

1. 绘制曲线

2. 曲线变化原因及位置关系

• 训练误差曲线：随着模型复杂度的增加，模型拟合能力增强，导致训练误差逐渐减小。当模型过拟合时，训练误差会趋于平稳。

• 测试误差曲线：随着模型复杂度的增加，测试误差先下降是因为模型泛化能力提高。然而，当模型过于复杂时，会出现过拟合现象，导致测试误差再次升高。

• S1 和 S2 曲线比较：由于 S2 样本量更大，其训练误差和测试误差都会比 S1 更低。同时，S2 的最佳模型复杂度也会更高，因为更多的数据有助于避免过拟合。

通过以上分析，我们可以在同一坐标系下绘制出四条曲线，并解释它们的变化趋势及其相互之间的位置关系。

第三题

问题描述

试简述离群点的基本概念并列出三种应对策略

离群点的基本概念

离群点是远离大部分数据点的点。

应对策略

以下是三种应对离群点的常见策略：

A1：只需忽略这些异常值即可。
A2：转换/归一化：应用平方根或取log，以使x/y的值更小，然后离
群值将更靠近大多数数据点。
A3：引入非线性项：y = b + w1x +w2x2。

第四题

问题描述

给定一个含有缺失值的西瓜数据集，其中前10个样本作为训练集，后5个样本作为验证集。数据集包括编号、色泽、敲击声音、根蒂和是否为好瓜五个属性。任务是在决策树的根节点处基于信息增益原则选择最优划分属性，并讨论预剪枝策略下的决策。

数据集

编号	色泽	敲击声音	根蒂	是否为好瓜
1	乌黑	浊响	蜷缩	是
2	-	沉闷	蜷缩	是
3	青绿	-	稍蜷	是
4	乌黑	浊响	蜷缩	是
5	青绿	清脆	稍蜷	是
6	浅白	清脆	硬挺	否
7	-	沉闷	-	否
8	浅白	清脆	硬挺	否
9	-	清脆	硬挺	否
10	青绿	-	-	否
11	青绿	浊响	稍蜷	是
12	浅白	清脆	稍蜷	是
13	乌黑	沉闷	蜷缩	是
14	浅白	沉闷	硬挺	否
15	青绿	清脆	稍蜷	否

回答

(1) 决策树的根节点处的选择

计算过程略

信息增益计算

• 色泽：考虑色泽为乌黑、青绿、浅白的样本。
• 敲击声音：考虑敲击声音为浊响、清脆、沉闷的样本。
• 根蒂：考虑根蒂为蜷缩、稍蜷、硬挺的样本。

对于每一个属性，我们需要计算在该属性不同取值下的条件熵，然后计算信息增益。

最终，选择信息增益最大的属性作为根节点的划分属性。

(2) 预剪枝策略下的决策

略

第五题

题目要求设计一种高效、合理的方案，利用m台机器实现分布式聚类算法。具体来说，需要考虑如何将数据样本划分到每台机器上，并且如何汇总处理每台机器的计算结果。

设计方案

假设我们有m台机器，数据样本为D，特征维度为p，簇类别数为k。

1. 初始化：

   • 随机选择k个初始簇中心。
   • 将数据样本随机划分为m份，分别存储在m台机器上。

2. 本地聚类：

   • 每台机器执行以下操作：
     • 使用当前的簇中心对本地数据进行聚类。
     • 更新本地的簇中心。

3. 同步与更新：

   • 各台机器将自己的簇中心信息发送给主控机。
   • 主控机收集所有簇中心信息，计算新的全局簇中心。
   • 将新的全局簇中心广播给所有机器。

4. 迭代优化：

   • 重复步骤2和步骤3，直到簇中心收敛或达到最大迭代次数。

5. 结果汇总：

   • 根据最终的簇中心，对整个数据集进行重新分配，确定每个样本所属的簇。
   • 返回聚类结果。

通过这种方式，可以在多台机器上并行地执行聚类任务，有效地处理大数据场景下的聚类问题。

第六题

问题

六、Boosting 算法是一种常用的集成算法，试回答以下问题。（20 分）

（1）试描述 Boosting 算法的基本概念。（4 分）

（2）AdaBoost 是 Boosting 中最具代表性的算法，试描述 AdaBoost 算法是如何实现的。（10 分）

（3）AdaBoost 算法通常有如下 2 个局限性：
- 当基学习器的精度小于 50%时，AdaBoost 算法将不能正常运行，试其分析原因。（3 分）
- AdaBoost 算法易受离群点的干扰，试简要描述一种可以减少该干扰的方法。（3 分）

回答

（1）Boosting 算法的基本概念

（1）从初始训练集训练出一个基学习器；
（2）根据学习器的表现对训练样本分布进行调整，使得先前基学习
器做错的样本再后续受到更多关注；
（3）基于调整后的样本分布来训练一个基学习器；
（4）重复2-3，直到基学习器数量达到预设的T值；
（5）将T个基学习器进行加权结合。

（2）AdaBoost 算法如何实现

（3）AdaBoost 的局限性及解决方法

• 当基学习器的精度小于 50%时，AdaBoost 算法将不能正常运行

  原因：如果基学习器的精度低于 50%，意味着它比随机猜测还要差，此时 AdaBoost 算法会不断放大这些错误分类样本的权值，导致整体性能下降甚至发散。

• AdaBoost 算法易受离群点的干扰

  解决方法：使用剪枝技术或对异常值进行预处理。例如，可以通过设置阈值来识别和移除离群点，或者采用其他鲁棒性更强的学习算法作为基学习器。另一种方法是在训练过程中动态调整离群点的权值，使其影响最小化。

第七题

设计一个基于机器学习的高效、科学、合理的算法来检测视频内容是否违规，可以分为以下几个关键步骤：

1. 数据收集与标注

首先需要大量的视频数据作为训练集，包括合规和违规的内容。这一步骤可能需要人工参与，以确保数据的质量和准确性。

2. 特征提取

从视频中提取有助于判断内容是否违规的关键特征。常见的特征类型包括但不限于：

• 视觉特征：如颜色直方图、纹理特征、人脸检测结果等。
• 音频特征：如语音情感分析、背景噪音水平等。
• 文本特征：若视频包含字幕或弹幕信息，则可从中抽取文本特征。

3. 模型选择与训练

根据任务需求和数据特性选择合适的机器学习模型。对于视频内容审核这类复杂场景，深度学习模型（如卷积神经网络CNN、循环神经网络RNN及其变种LSTM/GRU）往往能取得较好的效果。具体步骤如下：

• 划分数据集为训练集、验证集和测试集。
• 设计模型结构，定义损失函数和优化器。
• 使用训练集数据训练模型，利用验证集调优超参数。
• 在测试集上评估模型性能，确保泛化能力。

4. 异常检测与规则引擎

除了直接使用机器学习模型外，还可以结合一些规则引擎和技术手段来提高系统的准确性和效率：

• 异常检测：针对某些特定类型的违规行为，如暴力、色情等，可以预先设定一些规则，一旦触发即视为违规。
• 多模态融合：综合考虑视觉、音频和文本等多种信息源，提升检测的全面性和准确性。

5. 实时监控与反馈机制

为了应对实时上传的海量视频数据，系统应具备高效的批处理能力和实时响应机制：

• 批量处理：对批量上传的视频进行快速初筛，过滤掉明显合规的内容，集中资源审查可疑视频。
• 反馈机制：建立用户举报和专家复审通道，及时修正误判情况，持续优化模型表现。

简略版：

1. 数据收集：从已知违规和非违规视频中收集大量标注数据。
2. 特征提取：利用深度学习模型如卷积神经网络（CNN）提取视频帧特征。
3. 模型训练：根据任务需求和数据特性选择合适的机器学习模型。对于视频内容审核这类复杂场景，深度学习模型（如卷积神经网络CNN、循环神经网络RNN及其变种LSTM/GRU）。
4. 集成学习：结合多个不同类型的分类器以提高准确性和稳定性。
5. 在线测试：实时监控上传的新视频并应用训练好的模型进行自动审核。
6. 反馈机制：定期更新模型参数以适应新的违规模式变化。