机器学习试题

这篇博客包含两道机器学习试题的解析。第一题涉及隐马尔可夫模型的前向、后向、Baum-Welch和维特比算法,分别对应评估、模型训练和预测问题。第二题列举了文本分类的特征选择算法,如DF、MI、IG、CHI、WLLR和WFO,并指出主成分分析是特征提取而非特征选择。第三题讨论了L1和L2正则化的区别,L1倾向于产生稀疏特征,L2则使多个特征接近0。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. 隐马尔可夫模型三个基本问题以及相应的算法说法正确的是( )

A.评估—前向后向算法
B.解码—维特比算法
C.学习—Baum-Welch算法(向前向后算法)
D.学习—前向后向算法

答案选择ABD,解析

前向、后向算法解决的是一个评估问题,即给定一个模型,求某特定观测序列的概率,用于评估该序列最匹配的模型。

Baum-Welch算法解决的是一个模型训练问题,即参数估计,是一种无监督的训练方法,主要通过EM迭代实现;

维特比算法解决的是给定 一个模型和某个特定的输出序列,求最可能产生这个输出的状态序列。如通过海藻变化(输出序列)来观测天气(状态序列),是预测问题,通信中的解码问题

2. 下列哪个不属于常用的文本分类的特征选择算法?

A.卡方检验值
B.互信息
C.信息增益
D.主成分分析

ABD

常采

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值