机器学习基石作业4第5题

留一交叉验证误差计算

最新推荐文章于 2025-11-24 15:27:14 发布

原创最新推荐文章于 2025-11-24 15:27:14 发布 · 1k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习

题目：

题意：采用带平方误差的 leave-one-out cross-validation方法计算两个假设h0,h1的误差。当h0,h1两个假设的误差相等时，其p为是多少？

分析：

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

星辰漫步之LLM

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

林轩田《机器学习基石》（八）—— Noise and error

weixin_43463276的博客

07-24

344

上一节课，我们主要介绍了VC Dimension的概念。如果Hypotheses set的VC Dimension是有限的，且有足够多N的资料，同时能够找到一个g使它的，那么就能说明机器学习是可行的。之前我们说过含noise的问题，现在我们看加上noise会不会对整个推导有影响？即VC bound还会不会作用的很好？一、噪音：noise 我们看一下带noise的学习问题的流程图：资料的noise主要来源有（以信用卡为例）： 1.标签y的noise，比如一个好顾客有坏标签 2.标签y的n

林轩田《机器学习基石》（十一）—— Linear models for classification

weixin_43463276的博客

07-26

711

之前我们介绍了Logistic回归以及它的误差为交叉熵误差，介绍了梯度下降算法gradient descnt来获得最好的w。接下来我们将回顾之前的线性模型，将其延伸到更多的分类问题中。一、二元分类我们上一节课介绍的三个线性模型线性分类问题使用了： 1.线性scoring function 2.h = sign(s) 3.0-1误差 NP难的，不好解。线性回归问题使用了： 1.线性scoring function 2.h =s，不需要使用函数 sign(x) 3.平方误差 ...

1 条评论您还未登录，请先登录后发表或查看评论

机器学习基石作业二

无所知的博客

11-11

1820

机器学习基石作业二计算一下本来预测对与预测错时加上噪音导致的错误率然后相加即可。选择一个λ\lambdaλ的值让μ\muμ的系数为0。根据VC bound 公式带入计算即可，N=46000的时候error最接近0.05。下面的代码可以计算不同的N与目标error之间的差距。 def compute(N,err): delta = 0.05 dvc = 10 re...

机器学习基石——作业2解答

海绵酱

12-09

6709

机器学习基石——作业2解答这里的μμ指的是某个h(x)≈f(x)h(x)≈f(x)，对应的Eout(h)E_{out}(h)。其中目标函数f(x)f(x)是确定性的，没有噪声干扰。如果加上噪声，目标函数变为课中讲的概率分布P(y│x)P(y│x)，表示为 P(y│x)={λ1−λy=f(x)otherwize \begin{equation} P(y│x) = \left\{

机器学习基石作业四

无所知的博客

11-15

1053

机器学习基石作业四 1 假设函数空间变小了，固定噪声大体上会变大。因为假设函数与真实函数之间的差距可能变大了。 2 从第三项就等于0的假设函数包含于从第四项系数才等于0的。 3 直接求导 4 因为加正则项相当于对系数加了个限制。如果最优点在那个限制的球内则相等，否则肯定小于不加限制的时候。具体可以看图理解： 5 计算即可 6.整体过程为，每次随机猜测两种结果，下一轮只再发给上次说准的...

机器学习基石作业0

无所知的博客

11-06

1146

机器学习基石作业01 Probability and Statistics2 Linear Algebra3 Caculus 网上没找到作业0的答案，这是自己做的版本，有一些可能会有错误，欢迎讨论。 1 Probability and Statistics 用数学归纳法。N=1时满足，假定N=n满足，当N=n+1同样满足。得证。 10个挑4个正面 C104(1/2)4(1/2)6C_{1...

机器学习基石作业三

无所知的博客

11-14

1927

机器学习基石作业三代入计算线性回归得到的映射函数HHH的性质问题。显然映射多次与映射一次效果一样。其它的可以根据HHH的性质，秩为d+1，显然不可逆。特征值的部分不是非常清楚，大概是根据I−HI-HI−H的迹等于N−(d+1)N-(d+1)N−(d+1)得到的。 PLA的error的上限。计算一下就知道结果。可微，显然。使用SGD法能够得到PLA的error。SGD法更新公式wt+1=...

台大林轩田《机器学习基石》：作业三python实现

devil_bye的博客

06-21

1297

台大林轩田《机器学习基石》：作业一python实现台大林轩田《机器学习基石》：作业一python实现台大林轩田《机器学习基石》：作业三python实现 13 给定target function，我们的工作是在X=[-1,1]x[-1,1]上随机产生1000个点，利用f(x1,x2)计算它的值，然后在基础上添加10%的噪声（二元分类的噪声就是把10%的样本的y值取相反数）。如果不做f...

機器學習基石 机器学习基石（Machine Learning Foundations）作业1 习题解答

热门推荐

Mac Jiang的博客

03-26

3万+

大家好，我是Mac Jiang,今天和大家分享coursera-NTU-機器學習基石(Machine Learning Foundations)-作业1的习题解答。笔者是在学习了Ng的Machine Learning之后开始学习这门课程的，但还是感觉收获颇丰。Ng的课程主要站在计算机专业的角度，教你如何使用机器学习，注重方法而不是数学推导，是一门很好的入门教程；而林轩田老师的机器学习基石是站在统计

基于学习的人工智能（3）机器学习基本框架

致力于大数据+AI 的应用创新。

11-24

584

机器学习通过算法从数据中获取经验，改进初始模型以更高效地完成任务。与基于知识的方法不同，机器学习不直接编程机器行为，而是设定目标让机器自主学习。其框架包含五个要素：目标（如分类、预测）、模型、算法、数据和知识。目标需转化为数学形式的损失函数（如分类错误率、预测误差），函数值越低表明性能越好。例如分类任务用错误比例作损失函数，预测任务用预测值与实际值的差距衡量准确性。

机器学习（ML）和人工智能（AI）技术在WAF安防中的应用

servepeople的博客

11-24

466

摘要： Web应用防火墙（WAF）中，AI/ML技术通过异常流量检测（如自编码器）、恶意Payload识别（CNN/LSTM）、攻击分类（XGBoost）等方案，有效应对未知威胁和变形攻击。结合用户行为分析（LSTM）与误报优化（主动学习），提升防御精准度。落地工具涵盖Scikit-learn、TensorFlow（模型训练）、Hugging Face（NLP处理）及TensorRT（部署加速），并依赖OWASP等安全数据集。技术核心在于通过语义/时序特征建模，突破传统规则引擎的局限性，实现低延迟、高并发的

基于机器学习框架的上周行情复盘：非农数据与美联储政策信号的AI驱动解析

11-24

526

本文通过机器学习算法对上周非农就业数据、美联储会议纪要及官员讲话进行语义情感分析，结合时间序列模型与政策预期量化框架，系统回顾黄金、美元及美股在政策不确定性下的波动逻辑，重点解析AI驱动的市场趋势预测与事件冲击响应机制。

人工智能、机器学习与深度学习：从概念到实践

已掌握java全栈，简单的java项目逻辑。目前正在学习鸿蒙开发，有兴趣的小伙伴可以一起学习！！！

11-21

1007

今天开始去探索ai的路程，带领大家实现从0到1的探索之路！！！在当今科技浪潮中，“人工智能”（Artificial Intelligence, AI）已成为家喻户晓的热词。然而，很多人对“AI”“机器学习”（Machine Learning, ML）和“深度学习”（Deep Learning, DL）之间的关系感到困惑。它们究竟是同一事物的不同叫法，还是层层递进的技术体系？本文将用通俗语言厘清三者的关系，并通过经典案例帮助你建立清晰的认知框架。

基于学习的人工智能（4）机器学习基本框架

最新发布

致力于大数据+AI 的应用创新。

11-24

149

例如，在识别红绿灯的神经网络中，算法用于调整神经元的连接权重，让它能更好地识别红绿灯；在预测股市涨跌的贝叶斯网络中，算法用于调整各个变量之间的概率关系，让它能更准确地反映不同因素对股市价格的影响。每种模型都有各自的优缺点，没有任何一种模型能够绝对优于另一种，这一结论被称为“没有免费的午餐（No Free Lunch）”定理。从一个随机位置开始，像下山一样，从一个随机位置开始，往更好的方向前进一小步，一步步更新。这个主体本质上是一个可以随着学习不断更新的数据结构，从而实现对学习结果的累积，通常称为“模型”。

JavaScript在机器学习中的库

2509_93943333的博客

11-21

313

浏览器端可以直接利用WebGL调用GPU加速，虽然性能比不上原生CUDA，但能实现隐私安全的本地推理，比如实时摄像头图像分类、姿势检测，用户体验直接拉满。如果你觉得TF.js有点重，就想快速试验个神经网络原型，那Brain.js绝对是你的菜。如果你熟悉p5.js，那ML5.js简直就是绝配。更重要的是它的预训练模型库，从图像分类的MobileNet、目标检测的Coco-SSD，到语音命令识别、身体分割，覆盖常见任务。Keras.js：早期探索者，现在已基本被TF.js融合，但它的设计思路影响了后来者。

人工智能与机器学习：赋能行业智能化转型的核心动力

2501_94188248的博客

11-21

885

每个训练数据都有一个已知的输出（标签），机器学习算法通过学习这些输入和输出之间的关系，来预测未知数据的输出。随着AI在社会各领域的广泛应用，如何制定合理的法规和道德规范，确保人工智能的公平性、透明性和合规性，是未来发展的关键问题。本文将探讨人工智能和机器学习的基本概念、技术原理，以及它们在各个领域的应用，分析它们如何推动智能决策和自动化进程，展望未来技术的前景与挑战。：AI通过深度学习分析来自传感器、摄像头等的实时数据，实现对道路状况、障碍物、行人等的精准识别和判断，帮助自动驾驶车辆做出决策。

Git机器学习

2509_93942738的博客

11-20

341

想象一下，你用了Git跟踪数据文件，但某个同事上传了新样本后，旧版本的模型突然指标暴跌——这是因为Git虽然能记录文件变化，但处理几百MB的CSV或图像文件夹时效率低下，而且二进制文件差异比较毫无意义。如果用Git来管理，每次实验前开个新分支，改完代码后提交并写清楚注释（例如“实验3：增加随机裁剪数据增强，学习率调整为0.001”），回头对比不同分支的评估结果就轻松多了。现在用Git钩子加上静态检查，类似问题再没出现过。毕竟，机器学习本身就是迭代试错的过程，没有可靠的版本追踪，再精彩的实验也可能沦为玄学。

【机器学习】深入解析线性回归模型

2302_80262940的博客

11-21

860

损失函数（或成本函数）用于度量模型预测值与实际值之间的差异。在线性回归中，常用的损失函数是最小二乘损失函数，它计算的是模型预测值与实际值之间的平方误差和。通过对线性回归模型的深入解析，我们全面了解了其原理、实现及应用。从初步了解概念开始，我们逐步深入探讨了线性回归模型的基本要素、寻找最佳参数的方法以及完整的工作流程。同时，我们也对线性回归模型的优缺点和适用场景进行了详细的分析和讨论。线性回归模型以其简洁、直观的特点，在数据分析与预测领域具有广泛的应用。

基于学习的人工智能（1）机器学习

致力于大数据+AI 的应用创新。

11-24

113

在人工智能早期，主流方法是将人类的知识和思维方式“灌输”给机器，从而让机器具备思考能力。这种基于知识的方法在定理证明和专家系统等任务中取得了巨大成功，但也存在明显缺点：首先，人类总结知识既繁琐又耗时；其次，机器只能在预设的知识框架内运行，永远难以超越人类的知识范围。尤其是进入 21 世纪后，随着数据量的爆发式增长和计算机性能的不断提高，机器能够从数据中学到的知识越来越丰富，能力也越来越强大，直接引发了新一轮人工智能浪潮。他发现，通过不断调整参数，机器仅用了 8-10 个小时便学会了超过他本人的棋艺。

2020吴恩达机器学习第五周编程作业完整实现

在吴恩达（Andrew Ng）教授的《机器学习》课程第五周的编程作业ex4中，主要聚焦于神经网络的基础知识与实现方法，特别是前向传播（Forward Propagation）、代价函数（Cost Function）的构建以及反向传播算法...