试答系列:“西瓜书”-周志华《机器学习》习题试答
系列目录
[第01章:绪论]
[第02章:模型评估与选择]
[第03章:线性模型]
[第04章:决策树]
[第05章:神经网络]
[第06章:支持向量机]
第07章:贝叶斯分类器
第08章:集成学习
第09章:聚类
第10章:降维与度量学习
第11章:特征选择与稀疏学习
第12章:计算学习理论(暂缺)
第13章:半监督学习
第14章:几率图模型
(后续章节更新中...)html
答:编程代码附后。运行结果以下(考虑了k=1,3,5,以及分别采用曼哈顿(p=1),欧式(p=2)和切比雪夫(p=50)三种距离):
上图中,“+”和“-”离散点分别表明训练数据样本点,黑色线条为决策树边界,红色线条为kNN边界。
讨论:python
证实:首先来理解一下这两个指望错误率,它们都表示成“错误率=1-正确率”的形式,所以问题转化成理解正确率。
对于预测样本\(x\),贝叶斯最优分类器的决策结果\(c^*\),若是预测正确,意味着这个样本的真实类别恰好也是\(c^*\),而该样本以\(P(c^*|x)\)的几率属于\(c^*\)类别,所以预测正确的几率即为\(P(c^*|x)\),而错误率\(err^*=1-P(c^*|x)\)。
最近邻分类器的决策结果等于近邻样本\(z\)相同的类别,假设这个共同的类别为\(c\),若是这个决策结果是正确的,意味着\(x\)样本和\(z\)样本恰好都属于\(c\)类,这个事件发生的几率是\(P(c|x)P(c|z)\)。考虑各类不一样的\(c\)值,把它们加起来即是总的指望正确率\(=\sum_c P(c|x)P(c|z)\),所以错误率\(err=1-\sum_c P(c|x)P(c|z)\)。
接下来证实上面的不等式:算法
第2行利用了关系\(P(c|x)\leq P(c^*|x)\),第4行利用了关系\(\sum_cP(c|z)=1\)。
不等式左半边得证。编程
第4行利用了不等式关系:\(\frac{\sum a_i^2 }{n} \geq (\frac{\sum a_i}{n})^2, \ \ a_i\geq 0,\ i=1,2,\cdots ,n\);第5行利用了关系\(\sum_{c\neq c^\ast}P(c|x)=1-P(c^*|x)=err^*\)。
不等式右半边得证。网络
答:至关于将\(X\)变为\(X^{\prime}\):app
其效果即是中心化\(x_i^{\prime}=x_i-\bar{x}\)。机器学习
答:首先看一下,确实能够经过SVD(奇异值)分解获得协方差矩阵的特征值和特征向量。由附录A.33式有,任意实矩阵\(A\in R^{m\times n}\)均可以分解为函数
其中U和V分别为m阶和n阶的酉矩阵,\(\Sigma\)是m×n矩阵,对角元之外元素均为零,因而有:学习
所以,\(U\)的列向量是\(AA^T\)的特征向量,\(V\)的列向量是\(A^TA\)的特征向量,\(\Sigma\)矩阵的非零对角元\(\sigma_{ii}\)的平方即为\(AA^T\)和\(A^TA\)的共同非零特征值。spa
在前面原理介绍部分采用的10.2和10.4等图中,数据维度d=2或3,而样本数m远大于数据维数,m>>d。然而在实际状况中,既然须要降维,一般维度d很大,好比对于100张100*100的图片,m=100,d=10000,此时的协方差矩阵\(XX^T\)的shape为\(R^{10000\times10000}\),矩阵维度较大。而\(X\in R^{10000\times100}\),对其进行SVD(奇异值)分解的计算成本较低一些。
另外,参考博友Vic时代的解答:
其实对X进行奇异值分解,也要消耗与\(XX^T\)相同的10000×10000的存储空间。
能够先求\(X^TX\in R^{100\times 100}\)的特征分解,获得特征值\(\lambda\)和特征向量\(\nu\),那么\(\lambda\)和\(X\nu\)分别也是\(XX^T\)的特征值和特征向量。
由于\(X^TX\nu=\lambda\nu\),等式左右两边左乘\(X\)获得,\(XX^T(X\nu)=\lambda (X\nu)\)。
答: 正交有两个好处:
其实至于不一样特征之间“去相关”有什么好处,如今没有相关的实践应用,很差体会,留待之后有所体会的时候再回来补充吧。
关于正交的缺点方面,大概也就是“去相关”后的缺点吧,某些状况下也许特征之间彻底去相关未必是好事。一样须要慢慢实践、体会。如今想到的例子,好比:一我的的身高和体重是正相关的,经过PCA方法大概能够获得“身体年龄”和“肥瘦度”两个相互独立的特征,可是,或许在一个特定任务中,直接用身高和体重两个特征更容易一些。
答:
答:
答:
答:
答:
# -*- coding: utf-8 -*- """ Created on Mon Apr 27 11:04:11 2020 @author: Administrator """ import numpy as np import matplotlib.pyplot as plt #设置绘图时显示中文 plt.rcParams['font.sans-serif']=['SimHei'] plt.rcParams['axes.unicode_minus'] = False def kNN(X,Y,Xpre,k,p=2): # k近邻算法 # X:样本数据 # Y:样本标记 # Xpre:待预测样本 # k:k近邻的k值 # p:计算距离所采用的闵可夫斯基距离的p值 mt,n=X.shape #训练样本数和特征数 Xpre=np.array(Xpre).reshape(-1,n) mp=Xpre.shape[0] #预测样本数 dist=np.zeros([mp,mt]) #存储预测样本和训练样本之间的距离 for i in range(mt): dist[:,i]=(((abs(Xpre-X[i]))**p).sum(axis=1))**(1/p) neighbor=np.argsort(dist,axis=1) #训练样本按距离远近排序的索引号 neighbor=neighbor[:,:k] #只取前k个做为最近邻 Ypre=Y[neighbor] return (Ypre.sum(axis=1)>=0)*2-1 #西瓜3.0α仅两类,故可如此计算 # 西瓜3.0α 样本数据 X=np.array([[0.697,0.46],[0.774,0.376],[0.634,0.264],[0.608,0.318],[0.556,0.215], [0.403,0.237],[0.481,0.149],[0.437,0.211],[0.666,0.091],[0.243,0.267], [0.245,0.057],[0.343,0.099],[0.639,0.161],[0.657,0.198],[0.36,0.37], [0.593,0.042],[0.719,0.103]]) Y=np.array([1,1,1,1,1,1,1,1,-1,-1,-1,-1,-1,-1,-1,-1,-1]) # 执行kNN算法 # 尝试 k=1,3,5,p=1,2,30的不一样状况 ks=[1,3,5] ps=[1,2,50] #p=1为曼哈顿距离,p=2为欧式距离,p=50(→∞)为切比雪夫距离 for i,k in enumerate(ks): for j,p in enumerate(ps): # kNN算法预测结果 x0=np.linspace(min(X[:,0]),max(X[:,0]),60) x1=np.linspace(min(X[:,1]),max(X[:,1]),60) X0,X1=np.meshgrid(x0,x1) Xpre=np.c_[X0.reshape(-1,1),X1.reshape(-1,1)] Ypre=kNN(X,Y,Xpre,k,p).reshape(X0.shape) # 画图 plt.subplot(len(ks),len(ps),i*len(ps)+j+1) #plt.axis('equal') plt.title('k=%d,p=%d'%(k,p)) plt.xlabel('密度') plt.ylabel('含糖率') # 画样本点 plt.scatter(X[Y==1,0],X[Y==1,1],marker='+',s=30,label='好瓜') plt.scatter(X[Y==-1,0],X[Y==-1,1],marker='_',s=30,label='坏瓜') # 画决策树边界 (直接根据教材上图4.10和4.11肯定边界曲线坐标) plt.plot([0.381,0.381,0.56,0.56,max(X[:,0])], [max(X[:,1]),0.126,0.126,0.205,0.205],'k',label='决策树边界') # 画kNN边界 plt.contour(X0,X1,Ypre,1,colors='r',s=2) plt.show()
# -*- coding: utf-8 -*- """ Created on Sat May 16 21:03:47 2020 @author: Administrator """ import numpy as np from PIL import Image from sklearn.decomposition import PCA import matplotlib.pyplot as plt #==========读取Yale图片数据=========== #Yale人脸数据为15人,每人11张照片 #下载到的Yale文件存储规律是: # Yale文件夹下有名称分别为1~15的15个子文件夹, # 每一个子文件夹下有s1.bmp~s11.bmp的11张图片 rootpath='Yale' #Yale根文件夹所在路径,我这里将Yale文件夹放在当前目录下,若其余位置,改为相应路径便可 X=[] #存储图片数据 for person in range(15): for num in range(11): path=rootpath+'/'+str(person+1)+'/s'+str(num+1)+'.bmp' img=Image.open(path) X.append(np.array(img).reshape(-1)) X=np.array(X) #==========观察这15人的图片============ #只显示第一张图片s1 for i in range(3): for j in range(5): plt.subplot(3,5,i*5+j+1) plt.imshow(X[(i*5+j)*11,:].reshape(100,100),cmap='gray') plt.axis('off') plt.title('%d'%(i*5+j+1)) plt.show() #========PCA主成分分析(d'=20)========== pca=PCA(n_components=20) Z=pca.fit_transform(X) #输入X的shape为m×d,与教材中相反 W=pca.components_ #特征向量W,shape为d'×d,与教材中相反 #====可视化观察特征向量所对应的图像====== for i in range(5): for j in range(4): plt.subplot(4,5,i*4+j+1) plt.imshow(W[i*4+j,:].reshape(100,100),cmap='gray') plt.axis('off') plt.title('w%d'%(i*4+j+1)) plt.show() #========观察重构后的15人图片=========== #只显示第一张图片s1 X_re=pca.inverse_transform(Z) for i in range(3): for j in range(5): plt.subplot(3,5,i*5+j+1) plt.imshow(X_re[(i*5+j)*11,:].reshape(100,100),cmap='gray') plt.axis('off') plt.title('%d'%(i*5+j+1)) plt.show()