《机器学习》- 习题解析 - 第一章

《机器学习》- 习题 - 第一章


文章目录

  • 《机器学习》- 习题 - 第一章
  • 一、示例-计算表1.1中的版本空间
  • 二、习题 1 - 计算题目中的版本空间
  • 三、单个合取式&析合范式的概念
  • 四、习题 2 - 计算题目中假设空间的规模大小
  • 五、习题 3
  • 六、习题 4
  • 七、习题 5
  • 附:机器学习中的性能度量


一、示例-计算表1.1中的版本空间

首先从概念上理解版本空间的定义;

版本空间: 从假设空间 删除掉正例不一致 和与 反例一致 的假设后,剩余的假设所组成的集合。它可以看成是对正例的最大泛化。

下图是书中的表1.1 西瓜数据集:
《机器学习》- 习题解析 - 第一章_第1张图片

表1.1的训练数据集对应的假设空间如下:一共有49种 ;

“色泽” “根蒂” “敲声” 分别有 2、3、3种可能取值;则 面临的假设空间规模大小为 3 ∗ 4 ∗ 4 + 1 = 49 3 * 4 * 4 + 1 = 49 344+1=49

将假设都列出来如下,为了便于理解,将不同的类型用分割线做了划分;

1 色泽=*,根蒂=*,敲声=*


2 色泽=青绿,根蒂=*,敲声=*
3 色泽=乌黑,根蒂=*,敲声=*


4 色泽=*,根蒂=蜷缩,敲声=*
5 色泽=*,根蒂=硬挺,敲声=*
6 色泽=*,根蒂=稍蜷,敲声=*


7 色泽=*,根蒂=*,敲声=浊响
8 色泽=*,根蒂=*,敲声=清脆
9 色泽=*,根蒂=*,敲声=沉闷


10 色泽=青绿,根蒂=蜷缩,敲声=*
11 色泽=青绿,根蒂=硬挺,敲声=*
12 色泽=青绿,根蒂=稍蜷,敲声=*


13 色泽=乌黑,根蒂=蜷缩,敲声=*
14 色泽=乌黑,根蒂=硬挺,敲声=*
15 色泽=乌黑,根蒂=稍蜷,敲声=*


16 色泽=青绿,根蒂=*,敲声=浊响
17 色泽=青绿,根蒂=*,敲声=清脆
18 色泽=青绿,根蒂=*,敲声=沉闷


19 色泽=乌黑,根蒂=*,敲声=浊响
20 色泽=乌黑,根蒂=*,敲声=清脆
21 色泽=乌黑,根蒂=*,敲声=沉闷


22 色泽=*,根蒂=蜷缩,敲声=浊响
23 色泽=*,根蒂=蜷缩,敲声=清脆
24 色泽=*,根蒂=蜷缩,敲声=沉闷


25 色泽=*,根蒂=硬挺,敲声=浊响
26 色泽=*,根蒂=硬挺,敲声=清脆
27 色泽=*,根蒂=硬挺,敲声=沉闷


28 色泽=*,根蒂=稍蜷,敲声=浊响
29 色泽=*,根蒂=稍蜷,敲声=清脆
30 色泽=*,根蒂=稍蜷,敲声=沉闷


31 色泽=青绿,根蒂=蜷缩,敲声=浊响
32 色泽=青绿,根蒂=蜷缩,敲声=清脆
33 色泽=青绿,根蒂=蜷缩,敲声=沉闷


34 色泽=青绿,根蒂=硬挺,敲声=浊响
35 色泽=青绿,根蒂=硬挺,敲声=清脆
36 色泽=青绿,根蒂=硬挺,敲声=沉闷


37 色泽=青绿,根蒂=稍蜷,敲声=浊响
38 色泽=青绿,根蒂=稍蜷,敲声=清脆
39 色泽=青绿,根蒂=稍蜷,敲声=沉闷


40 色泽=乌黑,根蒂=蜷缩,敲声=浊响
41 色泽=乌黑,根蒂=蜷缩,敲声=清脆
42 色泽=乌黑,根蒂=蜷缩,敲声=沉闷


43 色泽=乌黑,根蒂=硬挺,敲声=浊响
44 色泽=乌黑,根蒂=硬挺,敲声=清脆
45 色泽=乌黑,根蒂=硬挺,敲声=沉闷


46 色泽=乌黑,根蒂=稍蜷,敲声=浊响
47 色泽=乌黑,根蒂=稍蜷,敲声=清脆
48 色泽=乌黑,根蒂=稍蜷,敲声=沉闷


49 ∅ \varnothing

《机器学习》- 习题解析 - 第一章_第2张图片


按照上述过程进行学习:[ 删除 与正例不一致 与反例一致 的 假设 ]

对于编号为 1 的 样例来说:

(1,(色泽=青绿、根蒂=蜷缩、敲声=浊响),好瓜)

可以删除假设空间中的3、5、6、8、9、11-15、17-21、23-30、32-49 ;


对于编号为 2 的 样例来说:

(2,(色泽=乌黑、根蒂=蜷缩、敲声=浊响),好瓜)

可以删除剩余假设空间中的2、10、16、31 ;


对于编号为 3 的 样例来说:

(3,(色泽=青绿、根蒂=硬挺、敲声=清脆),坏瓜)

可以删除剩余假设空间中的 1 ;


对于编号为 4 的 样例来说:

(4,(色泽=乌黑、根蒂=稍蜷、敲声=沉闷),坏瓜)

剩余假设空间中无可删除的假设;


学习过后剩余的假设为:

4 色泽=*,根蒂=蜷缩,敲声=*
7 色泽=*,根蒂=*,敲声=浊响
22 色泽=*,根蒂=蜷缩,敲声=浊响
这就是最后的 “ 假设集合 ”,也就是 “ 版本空间 ” 。

《机器学习》- 习题解析 - 第一章_第3张图片


二、习题 1 - 计算题目中的版本空间

在这里插入图片描述

习题1. 在表1.1 中 若只包含编号为1和4的两个样例,试给出相应的版本空间。

在上文一中示例的基础上,分析习题1中的问题:


按照上文一中示例进行学习:[ 删除 与正例不一致 与反例一致 的 假设 ]

对于编号为 1 的 样例来说:

(1,(色泽=青绿、根蒂=蜷缩、敲声=浊响),好瓜)

可以删除假设空间中的3、5、6、8、9、11-15、17-21、23-30、32-49 ;


对于编号为 4 的 样例来说:

(4,(色泽=乌黑、根蒂=稍蜷、敲声=沉闷),坏瓜)

剩余假设空间中的 1 ;


学习过后剩余的假设为:

剩下的假设有为:2、4、7、10、16、22、31 ;
2 色泽=青绿,根蒂=*,敲声=*
4 色泽=*,根蒂=蜷缩,敲声=*
7 色泽=*,根蒂=*,敲声=浊响
10 色泽=青绿,根蒂=蜷缩,敲声=*
16 色泽=青绿,根蒂=*,敲声=浊响
22 色泽=*,根蒂=蜷缩,敲声=浊响
31 色泽=青绿,根蒂=蜷缩,敲声=浊响

这就是最后的 “ 假设集合 ”,也就是 “ 版本空间 ” 。


三、单个合取式&析合范式的概念

析合范式(disjunctive normal form) 亦称 析取范式一种析取式。是若干简单合取式析取式。(在《离散数学》这门课程中有学到过这个概念。)

析取范式是一种逻辑表达式,它包含两个子句,它们之间用""连接。
析取范式的典型形式是"P 或 Q",其中P和Q都可以是真实的或不真实的声明,
而该范式的结果将取决于P或Q或两者 是真实的。

合取范式则是另一种逻辑表达式,它包含两个子句,它们之间用“”连接。
合取范式的典型形式是"P 且 Q",其中P和Q都可以是真实的或不真实的声明,而该范式的结果将取决于P和Q 是真实的。


首先要明白 简单析取式简单合取式 的定义。

定义:我们将命题变项及其否定统称作 文字 \red{文字} 文字
简单析取式 \red{简单析取式} 简单析取式是仅由有限个文字构成的析取式。
简单合取式 \red{简单合取式} 简单合取式简单合取式是仅由有限个文字构成的合取式。
注意:一个简单文字既是简单析取式,又是简单合取式。

例如:

  • p , ¬ q p , ¬q p,¬q既是一个简单析取式,又是一个简单合取式
  • p ∨ ¬ q , p ∨ r p \vee¬q , p \vee r p¬q,pr 均是有两个文字的简单析取式
  • p ∧ q ∧ r , ¬ p ∧ q ∧ ¬ q p \wedge q \wedge r , ¬ p \wedge q \wedge ¬q pqr,¬pq¬q 均是有三个文字的简单合取式

定义:

  • 由有限个 简单合取式 \red{简单合取式} 简单合取式构成的 析取式 \red{析取式} 析取式被称为 析取范式 \red{析取范式} 析取范式.
  • 由有限个 简单析取式 \red{简单析取式} 简单析取式构成的 合取式 \red{合取式} 合取式被称为 合取范式 \red{合取范式} 合取范式.
  • 析取范式与合取范式统称为 范式 \red{范式} 范式.

《机器学习》- 习题解析 - 第一章_第4张图片
性质:

一个文字既是一个析取范式又是一个合取范式
一个析取范式为矛盾式,当且仅当它的每一个简单合取式都是矛盾式
一个合取范式是重言式,当且仅当它的每一个简单析取式都是重言式


范式存在定理 \red{范式存在定理} 范式存在定理:任一命题公式都存在着与之等值的析取范式与合取范式。

《机器学习》- 习题解析 - 第一章_第5张图片
此处参考博客 第一章 命题逻辑 1.4 析取范式与合取范式


如下图中,分别为析取范式和合取范式的示例:
《机器学习》- 习题解析 - 第一章_第6张图片


《机器学习》- 习题解析 - 第一章_第7张图片
依照上述的步骤解题2:
在这里插入图片描述
解:
《机器学习》- 习题解析 - 第一章_第8张图片


四、习题 2 - 计算题目中假设空间的规模大小

《机器学习》- 习题解析 - 第一章_第9张图片
1.2 与使用单个合取式来进行假设表示相比,使 用 “析合范式”将使得假设空间具有更强的表示能力. 例如
好瓜 ⇔ ( ( 色泽 = ∗ ) ∧ ( 根蒂 = 蜷缩 ) ∧ ( 敲声 = ∗ ) ) ∨ ( ( 色泽 = 乌黑 ) ∧ ( 根蒂 = ∗ ) ∧ ( 敲声 = 沉闷 ) ) , 好瓜 \Leftrightarrow ((色 泽 = *) \land (根蒂= 蜷缩) \land (敲声= *)) \lor ((色泽=乌黑) \land (根蒂= *) \land (敲声= 沉闷)), 好瓜((色泽=)(根蒂=蜷缩)(敲声=))((色泽=乌黑)(根蒂=)(敲声=沉闷)),
会 把 “ ( 色泽 = 青绿 ) ∧ ( 根蒂 = 蜷缩 ) ∧ ( 敲声 = 清脆 ) (色泽=青绿) \land (根蒂= 蜷缩) \land (敲声=清脆) (色泽=青绿)(根蒂=蜷缩)(敲声=清脆)”以 及 “ ( 色泽 = 乌黑 ) ∧ ( 根蒂 = 硬挺 ) ∧ ( 敲声 = 沉闷 ) (色泽=乌黑) \land (根蒂= 硬挺) \land (敲声=沉闷) (色泽=乌黑)(根蒂=硬挺)(敲声=沉闷)”都分类为 “好瓜”. 若使用最多包含 k k k合取式析合范式来表达表1.1西瓜分类问题的假设空间,试估算共有多少种可能的假设。

注:析合范式即多个合取式的析取.
提示:注意冗余情况,如 ( A = a ) V ( A = ∗ ) (A = a) V (A = *) (A=a)V(A=) ( A = ∗ ) (A = *) (A=)等价.


由题1.1知,共有49种假设,其中:

全部不泛化 2 ∗ 3 ∗ 3 = 18 2 ∗ 3 ∗ 3 = 18 233=18种假设;
一个属性泛化: 2 ∗ 3 + 3 ∗ 3 + 2 ∗ 3 = 21 2 ∗ 3 + 3 ∗ 3 + 2 ∗ 3 = 21 23+33+23=21 种假设;
两个属性泛化: 2 + 3 + 3 = 8 2 + 3 + 3 = 8 2+3+3=8 种假设;
三属性泛化:1种假设
空集:1种假设
不考虑空集,则有48种假设,所以k的最大值为48。

而组成的析合范式是这48种假设的排列组合,展开序列为(即杨辉三角【二项式系数在三角形中的一种几何排列】 的一排):
《机器学习》- 习题解析 - 第一章_第10张图片
《机器学习》- 习题解析 - 第一章_第11张图片

( 1 、 48 、 1128 、 … 、 1128 、 48 、 1 ) (1、48、1128、… 、1128、48、1) (14811281128481)共49个数,
左边的1表示:一个假设都没选,右边的1表示:全部假设都被选。

如果 k = 48 k=48 k=48,就是说最多采用 48 48 48 种合取式来组成析合范式,排除一种都不选的情况,就是 2 48 − 1 2^{48} - 1 2481种。( 2 48 2^{48} 248是根据二项式系数之和得的);

如果 0 < k < 48 00<k<48,那就把展开序列的前 k + 1 k+1 k+1(因为展开序列从 0 开始数)项全部加起来再减1 ;

如果指定了 k k k 的个数,那就是展开序列的第 k + 1 k+1 k+1(因为展开序列从 0 开始数)项的数 ;

但是,这个结果得去重才行,因为 泛化是对若干种假设的包含(包容),它本身不是某种假设。

把泛化的 ∗ * 展开后,就是若干种具体的假设。如果此题采取 48 48 48,那么把 ∗ * 展开后,假设集合中一定有重复,而且一种具体假设还不止重复一次。
此题应该采用18种具体假设来计算, 即: 2 18 − 1 2^{18} - 1 2181


五、习题 3

在这里插入图片描述

题目:若数据包含噪声,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,设计一种归纳偏好用于假设选择。

分析:既然数据中包含噪声,最直接的思路就是首先去除噪声。

去噪方法:若存在两个样例属性取值都相同,标记却不同,则只保留标记为正例的样例(或标记为反例的样例,也可以考虑更加复杂的筛选方法,比如统计相似样例的标记),在此基础上求出版本空间。

也可以考虑其他方法:
1.在求版本空间时,只除去与反例不一致的假设。
2.在求版本空间时,只留下包含了所有正例的假设。


六、习题 4

《机器学习》- 习题解析 - 第一章_第12张图片
题目: 本章 1.4 节在论述“没有免费的午餐”定理时,默认使用了“分类错误率”作为性能度量来对分类器进行评估 . \red{本章1.4节在论述 “没有免费的午餐” 定理时,默认使用了“分类错误率”作为性能度量来对分类器进行评估.} 本章1.4节在论述没有免费的午餐定理时,默认使用了分类错误率作为性能度量来对分类器进行评估. 若换用其他性能度量 l l l,则式(1.1)将改为
在这里插入图片描述

试证明“没有免费的午餐定理”仍成立。


证明:
在证明定理之前,先构造一个引理:

《机器学习》- 习题解析 - 第一章_第13张图片
上式说明度量结果与学习算法 ε a εa εa无关,“没有免费的午餐定理”仍然成立。
证明完毕。

关于证明的补充说明:本文的引理没有考虑第二章2.3节中的代价敏感错误。若本题中考虑代价敏感错误,则各种不同代价错误出现的概率也是满足平均分布的,引理1仍然成立,但是证明过程会更加复杂。

思考: NFL定理证明过程中假设了 f f f均匀分布,并且目标是学习所有的真实函数 f f f。现实生活中,具体的学习算法无需学习所有的真实函数,因为所有真实函数在现实中的映射即天底下所有问题都可以用相同的这一组特征来描述,这是不现实的。若用同一组特征来描述所有问题,那么分类结果必将杂乱无章没有任何规律可言,这也是书中假设 f f f满足均匀分布的原因。真实情况下,也许没有任何一种分布能够描述其特征。因此NFL并不意味着好的学习算法没有意义。


七、习题 5

1.5 试述机器学习能在互联网搜索的哪些环节起作用 \red {1.5 试述机器学习能在互联网搜索的哪些环节起作用} 1.5试述机器学习能在互联网搜索的哪些环节起作用

解:

    1. 在向搜索引擎提交信息的阶段,能够从提交文本中进行信息提取,进行语义分析。
    1. 在搜索引擎进行信息匹配的阶段,能够提高问题与各个信息的匹配程度。
    1. 在向用户展示搜索结果的阶段,能够根据用户对结果感兴趣的程度进行排序。

附:机器学习中的性能度量

链接:机器学习中的性能度量


你可能感兴趣的:(#,机器学习-周志华,机器学习,机器学习,人工智能,算法)