机器学习技法 作业四

这篇博客主要涉及机器学习的计算和模型理解,包括前向与后向传播计算次数、矩阵求导、RBF网络与线性模型的关系、神经网络实现与优化。作者探讨了不同网络结构的系数最优情况,并通过实例解释了kNN和kMeans的实现。此外,还展示了自编神经网络代码并使用检查梯度函数进行验证。

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

机器学习技法 作业四

1 计算一次前向加一次后向的总计算次数。网络结构641,前向63+41次,后向4(w2的梯度)+3(隐藏层的delta)+3*6(w1的梯度),一共47次。
在这里插入图片描述
2 36个隐藏层,每个有一个单元的时候系数最少。46个。要说为啥这样最少也说不上来为啥,大致就是每一层的系数需要相乘,每一个要乘的项越小最后结果越小吧。或者可以编程遍历所有情况计算。
在这里插入图片描述
3 与上一题相反,让相乘的式子里数字比较大的时候系数最多。当有两个18个单元的隐藏层时最多,超过520个。
在这里插入图片描述
4 矩阵求导。水平不过关,贴一个其他人的解答过程:
在这里插入图片描述
题目如下:
在这里插入图片描述
在这里插入图片描述
5 把括号展开即可。中间一项只有一个一次方的噪声,求期望之后为0。因此剩下两个平方项,选第四项:
在这里插入图片描述
6 最近邻1个点,相当于分界线是两个点连线的中垂线。因此算一下中垂线即可,选第三项:
在这里插入图片描述
7 RBF网络与线性模型等价,因此两个模型同时大于0的范围相同,基于此用 g R B F N E T ( x ) > 0 g_{RBFNET}(x)>0 gRBFNET(x)>0然后整理形式为线性,对应上w与b即可,选第一项:
在这里插入图片描述
8 RBF网络系数的求法。用的是线性回归直接解析解的形式。即:
在这里插入图片描述
每个x都不同,因此Z可逆。由于RBF比较特殊,因此得到的Z是一个单位矩阵。系数 β \beta β最终结果就是 y n y_{n} yn
在这里插入图片描述
在这里插入图片描述
9 用 V T W V^{T}W VTW来对 R R R进行回归操作。对目标函数对于 w m w_{m} wm进行求导:
在这里插入图片描述
得到: 2 ∑ ( x n , r n m ) ∈ D m ( r n m − w m T v n ) v n = 0 → w m = ∑ n r n m ∑ n 1 2\sum_{(x_n,r_{nm})\in D_m}(r_{nm}-w_m^Tv_n)v_n=0\to w_m=\frac{\sum_n r_{nm}}{\sum_n 1}

评论 1
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