模式識(shí)別基礎(chǔ)復(fù)習(xí)資料

模式識(shí)別基礎(chǔ)復(fù)習(xí)資料模式識(shí)別基礎(chǔ)復(fù)習(xí)資料模式識(shí)別基礎(chǔ)復(fù)習(xí)資料資料僅供參考文件編號(hào)：2022年4月模式識(shí)別基礎(chǔ)復(fù)習(xí)資料版本號(hào)：A修改號(hào)：1頁次：1.0審核：批準(zhǔn):發(fā)布日期：模式識(shí)別基礎(chǔ)模式識(shí)別基礎(chǔ)復(fù)習(xí)資料教師：張學(xué)工2009秋季11月標(biāo)準(zhǔn)化修正2009秋季

Contents卷一、模式識(shí)別機(jī)經(jīng) 3卷二、2008~2009秋_模式識(shí)別_張學(xué)工_期末B 4卷三、2007~2008秋_模式識(shí)別_張學(xué)工_期末B 6卷四、2007~2008秋_模式識(shí)別_張學(xué)工_期末A 8卷五、2006~2007秋_模式識(shí)別_張學(xué)工_期末B 9卷六、2005~2006秋_模式識(shí)別_張學(xué)工_期末 10卷七、2004~2005秋_模式識(shí)別_張學(xué)工_期末 11卷八、2003~2004秋_模式識(shí)別_張學(xué)工_期末 12卷九、1999~2000春_模式識(shí)別_張學(xué)工_期末 13附錄、名詞以及原理 15

卷一、模式識(shí)別機(jī)經(jīng)

1.(16分)正態(tài)分布N(0,9)與均勻分布[5,10],先驗(yàn)概率1/2

最小錯(cuò)誤率分類器,并畫圖.最小錯(cuò)誤率分類器缺點(diǎn)答：

１．設(shè)計(jì)最小錯(cuò)誤率分類器：如果則為反之則為（特別的，當(dāng)，可以接受為任何一類也可以拒絕。在連續(xù)情況下這種情況幾乎完全不出現(xiàn)。1.(16分)正態(tài)分布N(0,9)與均勻分布[5,10],先驗(yàn)概率1/2

最小錯(cuò)誤率分類器,并畫圖.最小錯(cuò)誤率分類器缺點(diǎn)，2．畫圖如下，紅色表示（[5,10]均勻分布的后驗(yàn)概率），藍(lán)色表示（N(0,9)的后驗(yàn)概率）（注意?。。D是錯(cuò)的——作者）（圖是錯(cuò)的）3．最小錯(cuò)誤分類器有許多局限性。其一，其只考慮到錯(cuò)誤率的限制，并未考慮到實(shí)際情況中不同錯(cuò)誤的代價(jià)等等，為了克服這類局限性，學(xué)者們?cè)谧钚″e(cuò)誤率之外又設(shè)計(jì)了最小風(fēng)險(xiǎn)分類器、限定一類錯(cuò)誤率令另一類錯(cuò)誤率最小的分類器等；其二，其只能用于監(jiān)督學(xué)習(xí)，要求已知分類情況，并且要滿足條件即樣本與總體分布相符；其三，其要求必須知道先驗(yàn)概率，許多實(shí)際問題的先驗(yàn)概率是難以得到的。2.(22分)8個(gè)樣品w1

3個(gè)...,w2

5個(gè)

1)最近鄰分類,畫圖2.(22分)8個(gè)樣品w1

3個(gè)...,w2

5個(gè)

1)最近鄰分類,畫圖 2)給兩個(gè)點(diǎn)..,問怎么分

3)最近鄰分類器線性分類器 4)設(shè)計(jì)二次曲面分之

5)壓縮近鄰法壓縮過程及結(jié)果 6)壓縮近鄰法分界面并比較1)

答：（題目不完整）最近鄰法（k=1），k近鄰（k個(gè)最近的點(diǎn)投票），可以考慮加權(quán)3.(5分)證明兩個(gè)樣品構(gòu)成得協(xié)方差矩陣一般是奇異的3.(5分)證明兩個(gè)樣品構(gòu)成得協(xié)方差矩陣一般是奇異的（不可逆的）

答：設(shè),從而其第i行j列元素為，表示第m個(gè)樣本第n個(gè)維度的值。從而這是一個(gè)行列式為零的矩陣（第一行除以(）,第二行除以之后想減得零，故該協(xié)方差陣是奇異的。4.(26分)"距離"不同會(huì)有不同結(jié)果

1)給出兩種你認(rèn)為重要的距離,如何定義及物理意義

2)貝葉斯分4.(26分)"距離"不同會(huì)有不同結(jié)果

1)給出兩種你認(rèn)為重要的距離,如何定義及物理意義

2)貝葉斯分類器,近鄰法,fisher投影法,c均值法是否受距離度量影響,不受則說明理由,

受,距離說明

答：距離可以是任意一種范數(shù)，設(shè)對(duì)點(diǎn)歐幾里得距離（2范數(shù)）：每個(gè)坐標(biāo)的絕對(duì)值差之和（1范數(shù)）：貝葉斯分類器不受、fisher投影法不受：都屬于判別函數(shù)與距離度量無關(guān)的，故不受影響，近鄰法，c均值法與受到距離度量的

5.(15分)AB玩游戲,A問是非問題,B回答是或非.

問

1)游戲與模式識(shí)別什么內(nèi)容有關(guān)系用模式識(shí)別語言描述

2)B應(yīng)如何調(diào)整問題

3)如果做成計(jì)算機(jī)游戲,寫出設(shè)計(jì)思路,方法,難點(diǎn),解決方案.游戲受歡迎嗎為什么？

5.(15分)AB玩游戲,A問是非問題,B回答是或非.

問

1)游戲與模式識(shí)別什么內(nèi)容有關(guān)系用模式識(shí)別語言描述

2)B應(yīng)如何調(diào)整問題

3)如果做成計(jì)算機(jī)游戲,寫出設(shè)計(jì)思路,方法,難點(diǎn),解決方案.游戲受歡迎嗎為什么？

答：這是一類決策樹問題。可以將每一個(gè)是非問題看做一個(gè)決策樹節(jié)點(diǎn)，是非答案決定了分支的方向（左或右）。調(diào)整問題應(yīng)該使得在有效分類的情況下樹深度最淺，就能在單次游戲最壞情況下最快猜出。（我覺得挺2的，應(yīng)該不會(huì)受歡迎。。不過可以用作公安局犯罪嫌疑人指認(rèn)的軟件）6.(6分)自己設(shè)計(jì)模糊數(shù)學(xué)用于模式識(shí)別的其他理論方法(除去聚類).寫出思路必要細(xì)節(jié)

.分析可能結(jié)果.

答：例如k-近鄰法的模糊性質(zhì)。定義隸屬函數(shù)表示屬于類的程度，值域上界為1，表示完全屬于，下界為0，表示完全不屬于，將對(duì)任意一個(gè)待判定的樣本,選取某個(gè)距離度量（如歐幾里得距離）最近的k個(gè)已知類別的訓(xùn)練樣本，從而令得到x對(duì)于類的隸屬函數(shù)。

7.(10分)專家經(jīng)常根據(jù)特殊筆跡或特殊長(zhǎng)相分類.問如何在一個(gè)人臉自動(dòng)識(shí)別系統(tǒng)或筆跡

自動(dòng)識(shí)別系統(tǒng)中實(shí)現(xiàn)人的這一經(jīng)驗(yàn).從數(shù)據(jù)預(yù)處理,特征提取,選擇分類器設(shè)計(jì)等角度描述

實(shí)現(xiàn)這一經(jīng)驗(yàn)的方法與可能性.優(yōu)點(diǎn)缺點(diǎn)？

6.(6分)自己設(shè)計(jì)模糊數(shù)學(xué)用于模式識(shí)別的其他理論方法(除去聚類).寫出思路必要細(xì)節(jié)

.分析可能結(jié)果.

7.(10分)專家經(jīng)常根據(jù)特殊筆跡或特殊長(zhǎng)相分類.問如何在一個(gè)人臉自動(dòng)識(shí)別系統(tǒng)或筆跡

自動(dòng)識(shí)別系統(tǒng)中實(shí)現(xiàn)人的這一經(jīng)驗(yàn).從數(shù)據(jù)預(yù)處理,特征提取,選擇分類器設(shè)計(jì)等角度描述

實(shí)現(xiàn)這一經(jīng)驗(yàn)的方法與可能性.優(yōu)點(diǎn)缺點(diǎn)？

答：這是一類特殊的圖像識(shí)別問題，可以采用K-L分類卷二、2008~2009秋_模式識(shí)別_張學(xué)工_期末B1.（30'）

簡(jiǎn)要介紹下列概念

·ROC曲線1.（30'）

簡(jiǎn)要介紹下列概念

·ROC曲線、交叉驗(yàn)證、似然函數(shù)、特征選擇與提取、推廣能力、隨機(jī)森林ROC曲線（ReceiverOperationalCharacteristicCurve）是以FalsePositiveRate為橫坐標(biāo)，TruePositiveRate為縱坐標(biāo)的繪制的曲線，通過改變分點(diǎn)給出對(duì)應(yīng)的FP和TP繪成。曲線的點(diǎn)表示了在敏感度和特殊性之間的平衡，例如越往左，也就是假陽性越小，則真陽性也越小。曲線下方的面積越大，則表示該方法越有利于區(qū)分兩種類別。交叉驗(yàn)證是指交叉驗(yàn)證(Cross-validation)主要用于建模應(yīng)用中，在給定的建模樣本中，拿出大部分樣本進(jìn)行建模型，留小部分樣本用剛建立的模型進(jìn)行預(yù)報(bào)，并求這小部分樣本的預(yù)報(bào)誤差，記錄它們的平方加和。這個(gè)過程一直進(jìn)行，直到所有的樣本都被預(yù)報(bào)了一次而且僅被預(yù)報(bào)一次。把每個(gè)樣本的預(yù)報(bào)誤差平方加和，這個(gè)數(shù)越小，表示該方法越好特征選擇與提?。禾卣魇侵笇?duì)事物的觀測(cè)或者某種運(yùn)算，用于分類。特征提取是指直接觀測(cè)到或者經(jīng)過初步運(yùn)算的特征——原始特征。特征選擇是指從m個(gè)特征中選擇m1個(gè)，m1<m。特征提?。ㄌ卣鲏嚎s、變換）將m個(gè)特征變?yōu)閙2個(gè)新特征。推廣能力：在有限的樣本上建立的學(xué)習(xí)機(jī)器對(duì)未來樣本的表現(xiàn)。隨機(jī)森林是指通過bootstrapping樣本來生成許多決策樹，對(duì)于決策樹上的每一個(gè)節(jié)點(diǎn)，選擇m個(gè)變量來進(jìn)行決策。計(jì)算訓(xùn)練集基于這m個(gè)變量的最佳分劃。（Wiki:在\o"機(jī)器學(xué)習(xí)"機(jī)器學(xué)習(xí)中，隨機(jī)森林是一個(gè)包含多個(gè)\o"決策樹"決策樹的\o"分類器（尚未撰寫）"分類器，并且其輸出的類別是由個(gè)別樹輸出的類別的\o"眾數(shù)"眾數(shù)而定。\o"LeoBreiman（尚未撰寫）"LeoBreiman和\o"AdeleCutler（尚未撰寫）"AdeleCutler發(fā)展出推論出隨機(jī)森林的算法。而"RandomForests"是他們的\o"商標(biāo)"商標(biāo)。這個(gè)術(shù)語是1995年由貝爾實(shí)驗(yàn)室的\o"TinKamHo（尚未撰寫）"TinKamHo所提出的隨機(jī)決策森林（randomdecisionforests）而來的。這個(gè)方法則是結(jié)合Breimans的"\o"Bootstrapaggregating（尚未撰寫）"Bootstrapaggregating"想法和Ho的"randomsubspacemethod""以建造決策樹的集合。）2.（30’）簡(jiǎn)述Fisher線性判別方法的基本原理并討論如何在Fisher線性判別中實(shí)現(xiàn)最小風(fēng)險(xiǎn)的分類決策。

答：2.（30’）簡(jiǎn)述Fisher線性判別方法的基本原理并討論如何在Fisher線性判別中實(shí)現(xiàn)最小風(fēng)險(xiǎn)的分類決策。Fisher線性判別法是指：將多維判別決策問題通過線性組合降低為1維的時(shí)候，選擇一個(gè)最優(yōu)的一維線性判別函數(shù)的方法。該方法考慮了不同類別樣本的協(xié)方差和均值之差。決策面法向量為?？紤]最小風(fēng)險(xiǎn)分類決策的時(shí)候，需要甄選分界閾值點(diǎn)。從而可以根據(jù)貝葉斯決策規(guī)獲得一種一維內(nèi)的最小風(fēng)險(xiǎn)分類器。例如，經(jīng)過投影后的分別服從的分布規(guī)律…P14頁下方3.（20’）簡(jiǎn)述C-均值方法的基本原理，并討論在什么情況下此方法比較適用。3.（20’）簡(jiǎn)述C-均值方法的基本原理，并討論在什么情況下此方法比較適用。答：C均值法是一種動(dòng)態(tài)聚類法，通過多次迭代，逐步調(diào)整類別劃分，最終使某準(zhǔn)則達(dá)到最優(yōu)。C均值法的目標(biāo)是最小化——最小方差劃分。用另一個(gè)角度來看，就是用C個(gè)碼本來代表整個(gè)樣本集，使這種表示帶來的總體誤差最小——向量量化。誤差平方和聚類準(zhǔn)則：見課件(p14)適用條件：課件(p22)

4.（20’）SVM與多層感知器都可以實(shí)現(xiàn)非線性分類，試討論它們?cè)谠砩?.（20’）SVM與多層感知器都可以實(shí)現(xiàn)非線性分類，試討論它們?cè)谠砩系穆?lián)系與區(qū)別。答：支持向量機(jī)（SVM：SupportingVectorMechine)原理：課件P6（特點(diǎn)是：P13），課本P301。支持向量機(jī)的基本思想可以概括為：首先通過非線性變化將輸入空間變換到一個(gè)高維空間，然后在這個(gè)新空間中求取最優(yōu)先行分類面，而這種非線性變換是通過定義適當(dāng)?shù)膬?nèi)積函數(shù)K(X,Y)實(shí)現(xiàn)的。多層感知器（MLP:Multi-LayerPerception）原理：課件P10。是一種前饋人工神經(jīng)網(wǎng)絡(luò)。它利用三層或者三層以上多個(gè)感知器來講輸入數(shù)據(jù)映射為復(fù)雜輸出數(shù)據(jù)，使得分類器可以產(chǎn)生非線性的或者超平面的決策面，從而成為分線性分類器。(Wiki:Amultilayerperceptronisa\o"Feedforward"feedforward\o"Artificialneuralnetwork"artificialneuralnetworkmodelthatmapssetsofinputdataontoasetofappropriateoutput.Itisamodificationofthestandardlinear\o"Perceptron"perceptroninthatitusesthreeormorelayersofneurons(nodes)withnonlinear\o"Activationfunction"activationfunctions,andismorepowerfulthanthe\o"Perceptron"perceptroninthatitcandistinguishdatathatisnotlinearlyseparable,orseparablebya\o"Hyperplane"hyperplane.[1])聯(lián)系與差異：都屬于非線性分類器，但是其中一種是通過特征空間的非線性變換來實(shí)現(xiàn)最優(yōu)決策面的，而多層感知器則是通過多層感知器（邏輯單元）的邏輯組合（輸入-中間-輸出）以及每層之間各數(shù)據(jù)的線性組合來實(shí)現(xiàn)非線性決策面的5.（沒有分）給課程提建設(shè)性建議5.（沒有分）給課程提建設(shè)性建議。1.通過《模式識(shí)別基礎(chǔ)》課程的學(xué)習(xí)。。。

卷三、2007~2008秋_模式識(shí)別_張學(xué)工_期末B

1

1

.寫出英文全稱，中文，100字簡(jiǎn)述

5*6=30

a)Hierachical

Clustering；

b)MLP；c)Nonparametric

Estimation；

d)SVM

e)Fisher's

Linear

Discriminant

Analysis；f)PCA；g)Random

ForestHierachicalClustering，分級(jí)聚類（課件）：從各類只有一個(gè)樣本點(diǎn)開始，逐級(jí)合并，每級(jí)只合并兩類，直到最后所有樣本都?xì)w到一類。聚類過程中考察類間相似度，依次決定類別數(shù)。MLP，Multi-LayerPerception，多層感知器原理：課件P10。是一種前饋人工神經(jīng)網(wǎng)絡(luò)。它利用三層或者三層以上多個(gè)感知器來講輸入數(shù)據(jù)映射為復(fù)雜輸出數(shù)據(jù)，使得分類器可以產(chǎn)生非線性的或者超平面的決策面，從而成為分線性分類器。(Wiki:Amultilayerperceptronisa\o"Feedforward"feedforward\o"Artificialneuralnetwork"artificialneuralnetworkmodelthatmapssetsofinputdataontoasetofappropriateoutput.Itisamodificationofthestandardlinear\o"Perceptron"perceptroninthatitusesthreeormorelayersofneurons(nodes)withnonlinear\o"Activationfunction"activationfunctions,andismorepowerfulthanthe\o"Perceptron"perceptroninthatitcandistinguishdatathatisnotlinearlyseparable,orseparablebya\o"Hyperplane"hyperplane.[1])Nonparametric

Estimation：非參數(shù)估計(jì)(課件，P36)不假設(shè)概率模型，通過樣本落在區(qū)域的概率來估計(jì)出一個(gè)概率密度函數(shù)。常用的有窗函數(shù)法（如近鄰估計(jì)、Parzen窗估計(jì)）。SVM，SupportingVectorMechine，支持向量機(jī)：課件P6（特點(diǎn)是：P13），課本P301。支持向量機(jī)的基本思想可以概括為：首先通過非線性變化將輸入空間變換到一個(gè)高維空間，然后在這個(gè)新空間中求取最優(yōu)先行分類面，而這種非線性變換是通過定義適當(dāng)?shù)膬?nèi)積函數(shù)K(X,Y)實(shí)現(xiàn)的。Fisher's

Linear

Discriminant

Analysis，F(xiàn)isher線性判別分析:Fisher線性判別法是指：將多維判別決策問題通過線性組合降低為1維的時(shí)候，選擇一個(gè)最優(yōu)的一維線性判別函數(shù)的方法。該方法考慮了不同類別樣本的協(xié)方差和均值之差。決策面法向量為。PCA，PrincipalComponentAnalysis，主成分分析：課件，目的：在\o"統(tǒng)計(jì)學(xué)"統(tǒng)計(jì)學(xué)中，主成分分析（principalcomponentsanalysis(PCA)）是一種簡(jiǎn)化數(shù)據(jù)集的技術(shù)。它是一個(gè)線性變換。這個(gè)變換把數(shù)據(jù)變換到一個(gè)新的坐標(biāo)系統(tǒng)中，使得任何數(shù)據(jù)投影的第一大方差在第一個(gè)坐標(biāo)（稱為第一主成分）上，第二大方差在第二個(gè)坐標(biāo)（第二主成分）上，依次類推。主成分分析經(jīng)常用減少數(shù)據(jù)集的維數(shù)，同時(shí)保持?jǐn)?shù)據(jù)集的對(duì)方差貢獻(xiàn)最大的特征。這是通過保留低階主成分，忽略高階主成分做到的。這樣低階成分往往能夠保留住數(shù)據(jù)的最重要方面。但是，這也不是一定的，要視具體應(yīng)用而定。RandomForest，隨機(jī)森林：隨機(jī)森林是指通過bootstrapping樣本來生成許多決策樹，對(duì)于決策樹上的每一個(gè)節(jié)點(diǎn)，選擇m個(gè)變量來進(jìn)行決策。計(jì)算訓(xùn)練集基于這m個(gè)變量的最佳分劃。（Wiki:在\o"機(jī)器學(xué)習(xí)"機(jī)器學(xué)習(xí)中，隨機(jī)森林是一個(gè)包含多個(gè)\o"決策樹"決策樹的\o"分類器（尚未撰寫）"分類器，并且其輸出的類別是由個(gè)別樹輸出的類別的\o"眾數(shù)"眾數(shù)而定。\o"LeoBreiman（尚未撰寫）"LeoBreiman和\o"AdeleCutler（尚未撰寫）"AdeleCutler發(fā)展出推論出隨機(jī)森林的算法。而"RandomForests"是他們的\o"商標(biāo)"商標(biāo)。這個(gè)術(shù)語是1995年由貝爾實(shí)驗(yàn)室的\o"TinKamHo（尚未撰寫）"TinKamHo所提出的隨機(jī)決策森林（randomdecisionforests）而來的。這個(gè)方法則是結(jié)合Breimans的"\o"Bootstrapaggregating（尚未撰寫）"Bootstrapaggregating"想法和Ho的"randomsubspacemethod""以建造決策樹的集合。）2．2．

200字簡(jiǎn)述

4*5=20

a)最小距離分類器何時(shí)是最優(yōu)分類器？

b)寫出最小距離分類器，分段線性判別，最近鄰法的關(guān)系

c)寫出決策樹和隨機(jī)森林的關(guān)系，以及為什么要有隨機(jī)森林

記不太清了，貌似有個(gè)SVM的原理？

d)寫出K-L變換和PCA的關(guān)系

寫出特征提取和fisher線性判別的關(guān)系最小距離分類器：（課本P120頁）最小距離分類器是指在貝葉斯決策規(guī)則當(dāng)類條件概率密度為正態(tài)分布且各特征統(tǒng)計(jì)獨(dú)立同方差時(shí)，利用貝葉斯決策規(guī)則在可以得到線性距離判別函數(shù)，特別是當(dāng)時(shí)，決策規(guī)則式可以寫成 這時(shí)的最小距離分類器是滿足貝葉斯決策規(guī)則的最優(yōu)分類器。最小距離分類器是一種分段線性的判別方法。每個(gè)樣本點(diǎn)的類別由最近的代表點(diǎn)的類別決定。最近鄰法是這種分類器的一種應(yīng)用，特殊之處在于（課本P120頁）最近鄰法是將每一個(gè)樣本都當(dāng)做類別的代表點(diǎn)隨機(jī)森林由多個(gè)決策樹組成。隨機(jī)森林的優(yōu)缺點(diǎn)：Wiki:Theadvantagesofrandomforestare:Formanydatasets,itproducesahighlyaccurateclassifierIthandlesaverylargenumberofinputvariablesItestimatestheimportanceofvariablesindeterminingclassificationItgeneratesaninternalunbiasedestimateofthegeneralizationerrorastheforestbuildingprogressesItincludesagoodmethodforestimatingmissingdataandmaintainsaccuracywhenalargeproportionofthedataaremissingItprovidesanexperimentalwaytodetectvariableinteractionsItcanbalanceerrorinclasspopulationunbalanceddatasetsItcomputesproximitiesbetweencases,usefulfor\o"Clustering"clustering,detecting\o"Outlier"outliers,and(byscaling)visualizingthedataUsingtheabove,itcanbeextendedtounlabeleddata,leadingtounsupervisedclustering,outlierdetectionanddataviewsLearningisfastThedisadvantagesofrandomforestare:Randomforestarepronetooverfittingforsomedatasets.Thisisevenmorepronouncedinnoisyclassification/regressiontasks.[6]RandomForestdoesnothandlelargenumbersofirrelevantfeaturesaswellasensemblesofentropy-reducingdecisiontrees.[7]Itismoreefficienttoselectarandomdecisionboundarythananentropy-reducingdecisionboundary,thusmakinglargerensemblesmorefeasible.Althoughthismayseemtobeanadvantageatfirst,ithastheeffectofshiftingthecomputationfromtrainingtimetoevaluationtime,whichisactuallyadisadvantageformostapplications.3.寫出K-L變換和PCA的關(guān)系:PCA和K-L變換目的都是從高維的原始數(shù)據(jù)中提取低維度相關(guān)性低的特征數(shù)據(jù)。（白云飛：PCA針對(duì)樣本協(xié)方差矩陣，找出特征值較大的，K-L變換針對(duì)產(chǎn)生矩陣，可以根據(jù)不同準(zhǔn)則挑選特征值和特征向量，二者本質(zhì)相同）3．3．構(gòu)造兩類分類器，100個(gè)訓(xùn)練數(shù)據(jù)，使用K近鄰法，如何選擇K，給出一個(gè)合適的K，說明理由（1*5=5）K值不宜太大，太大則太多干擾樣本點(diǎn)被納入，太小則無法適應(yīng)小規(guī)模錯(cuò)誤情況，對(duì)于100個(gè)訓(xùn)練數(shù)據(jù)，一般來說選擇5、7、9比較合適。去奇數(shù)是為了避免出現(xiàn)兩種類別數(shù)相同無法判決的情況。4．SOM若沒有鄰域作用，則變成什么算法寫出該算法的目標(biāo)函數(shù)，算法基本步驟4．SOM若沒有鄰域作用，則變成什么算法寫出該算法的目標(biāo)函數(shù)，算法基本步驟（1*15=15）SOM思路類似先作向量量化（聚類），用較少的點(diǎn)（子類）代表原樣本空間，把這些代表點(diǎn)進(jìn)行分類。(Wiki:Aself-organizingmap(SOM)orself-organizingfeaturemap(SOFM)isatypeof\o"Artificialneuralnetwork"artificialneuralnetworkthatistrainedusing\o"Unsupervisedlearning"unsupervisedlearningtoproducealow-dimensional(typicallytwo-dimensional),discretizedrepresentationoftheinputspaceofthetrainingsamples,calledamap.Self-organizingmapsaredifferentfromotherartificialneuralnetworksinthesensethattheyuseaneighborhoodfunctiontopreservethe\o"Topology"topologicalpropertiesoftheinputspace.)如果沒有鄰域作用，就退化一個(gè)典型的C均值法。該算法計(jì)算步驟（課件，P17）55．綜合題。文本自動(dòng)分類的原理性設(shè)計(jì)，按內(nèi)容分類為軍事，體育，娛樂等。例舉本科所學(xué)內(nèi)容和概念能在這個(gè)設(shè)計(jì)上怎么體現(xiàn)。1*30=30答：因?yàn)槭前匆阎獌?nèi)容分類，是一個(gè)監(jiān)督學(xué)習(xí)的模式識(shí)別問題?？紤]如下監(jiān)督學(xué)習(xí)模式1.隨機(jī)獲取已經(jīng)定義好類別的樣本1.特征提取：每個(gè)樣本進(jìn)行詞頻統(tǒng)計(jì)，詞匯來自《辭?！?。假設(shè)辭海有80000個(gè)詞，則對(duì)每一個(gè)樣本，得到一個(gè)80000維的特征數(shù)據(jù)。顯然，這是一個(gè)高維數(shù)據(jù)。2.特征處理：（1）首先去所有樣本出現(xiàn)頻度都小于一定閾值的詞匯，比方說出現(xiàn)5次。剩下10000維。（2）對(duì)這10000維進(jìn)行主成分分析，得到一個(gè)低維度的特征數(shù)據(jù)，比如4維。（3）對(duì)于這三維，可以進(jìn)行一下分類：k近鄰法、支撐向量機(jī)法（廣義支撐向量機(jī)）、Fisher判別法等。其中Fisher判別再次降維后還可以運(yùn)用基于最小錯(cuò)誤率的貝葉斯決策3．對(duì)于以上監(jiān)督學(xué)習(xí)模式的樣本可以進(jìn)行同一個(gè)方法的交叉驗(yàn)證，去除一定的干擾。附加題附加題．說明兩類錯(cuò)誤率。在SVM線性不可分的情況下，如何把最小風(fēng)險(xiǎn)的概念引入SVM，對(duì)目標(biāo)函數(shù)應(yīng)該怎樣修正。（最多10分，全卷不會(huì)超過100分）

答：（1）兩類錯(cuò)誤率為“拒真納偽”。（2）（課本P298）如果線性不可分，就是某些樣本不能滿足條件時(shí)，引入松弛因子，使得條件變成，對(duì)于足夠小的，只要使最小就能使錯(cuò)分樣本數(shù)最小。對(duì)應(yīng)線性可分情況下的使分類間隔最大，在線性不可分的時(shí)候引入約束，最終得到目標(biāo)函數(shù)，C為某個(gè)指定常數(shù)，起著控制對(duì)錯(cuò)分樣本懲罰的程度（風(fēng)險(xiǎn)）的作用。關(guān)于風(fēng)險(xiǎn)的討論在課本P299頁卷四、2007~2008秋_模式識(shí)別_張學(xué)工_期末A（略）

卷五、2006~2007秋_模式識(shí)別_張學(xué)工_期末B1.

寫出英文全稱并解釋相應(yīng)的概念或者方法的原理30%

a)非參數(shù)估計(jì)

b)非監(jiān)督模式識(shí)別1.

寫出英文全稱并解釋相應(yīng)的概念或者方法的原理30%

a)非參數(shù)估計(jì)

b)非監(jiān)督模式識(shí)別

c)最大似然估計(jì)

d)MDS

e)推廣能力

f)kNN答：其他見前文卷子。MDS：\o"Multi-DimensionalScaling(pagedoesnotexist)"Multi-DimensionalScaling,Multidimensionalscaling(MDS)isasetofrelated\o"Statistical"statisticaltechniquesoftenusedin\o"Informationvisualization"informationvisualizationforexploringsimilaritiesordissimilaritiesindata.MDSisaspecialcaseof\o"Ordination(statistics)"ordination.AnMDSalgorithmstartswitha\o"Matrix(mathematics)"matrixofitem–item\o"Similarity(mathematics)"similarities,thenassignsalocationtoeachiteminN-dimensionalspace,whereNisspecifiedapriori.ForsufficientlysmallN,theresultinglocationsmaybedisplayedinagraphor\o"3Dvisualisation"3Dvisualisation.這里附上紅寶書預(yù)測(cè)詞匯：LDF:LinearDiscriminantFunctions線性判別函數(shù)。ISOMAP\o"Isomap"Isomap[6]isacombinationofCurvilinearDistanceAnalysis(CDA)and\o"MultidimensionalScaling"MultidimensionalScaling(MDS).BothCDAandIsomapbeginbyfindingasetofthenearestneighborsofeachpoint.Theyseektopreservethegeodesicdistancesbetweenpointswhileprojectingthedataintofewerdimensions.Geodesicdistanceisdefinedasthelengthoftheshortestpathbetweentwopointsthatstaysonthemanifoldsurface.Thesealgorithmsestimategeodesicdistancesbyfindingtheshortestneighbor-to-neighborpathbetweeneverypairofpoints,whichcanbecomputedefficientlyusing\o"Dijkstrasalgorithm"Dijkstrasalgorithm.LLELocally-LinearEmbedding(LLE)[8]waspresentedatapproximatelythesametimeasIsomap.IthasseveraladvantagesoverIsomap,includingfasteroptimizationwhenimplementedtotakeadvantageofsparsematrixalgorithms,andbetterresultswithmanyproblems.LLEalsobeginsbyfindingasetofthenearestneighborsofeachpoint.Itthencomputesasetofweightsforeachpointthatbestdescribethepointasalinearcombinationofitsneighbors.Finally,itusesaneigenvector-basedoptimizationtechniquetofindthelow-dimensionalembeddingofpoints,suchthateachpointisstilldescribedwiththesamelinearcombinationofitsneighbors.LLEtendstohandlenon-uniformsampledensitiespoorlybecausethereisnofixedunittopreventtheweightsfromdriftingasvariousregionsdifferinsampledensities.LLEhasnointernalmodel.2.

如果用kNN來解決作業(yè)中的男女生訓(xùn)練樣本問題，那么你如何選擇k簡(jiǎn)述理由

2.

如果用kNN來解決作業(yè)中的男女生訓(xùn)練樣本問題，那么你如何選擇k簡(jiǎn)述理由

答：K=5,7,9,理由見卷子3.

12%

無鄰域相互作用的SOM的相當(dāng)于是優(yōu)化什么目標(biāo)函數(shù)，寫出目標(biāo)函3.

12%

無鄰域相互作用的SOM的相當(dāng)于是優(yōu)化什么目標(biāo)函數(shù)，寫出目標(biāo)函數(shù)。8%

答：Cmeans，見前文4.

1)簡(jiǎn)述兩類錯(cuò)誤率的概念，并由此談一談最小風(fēng)險(xiǎn)錯(cuò)誤率Bayes分類器的原理

8%

2)怎么把最小風(fēng)險(xiǎn)的概念引入線性SVM中（考慮線性不可分的情況），嘗試寫出公式6%

3)怎么把最小風(fēng)險(xiǎn)的概念引入Fisher線性判別中，簡(jiǎn)述一下。6%4.

1)簡(jiǎn)述兩類錯(cuò)誤率的概念，并由此談一談最小風(fēng)險(xiǎn)錯(cuò)誤率Bayes分類器的原理

8%

2)怎么把最小風(fēng)險(xiǎn)的概念引入線性SVM中（考慮線性不可分的情況），嘗試寫出公式6%

3)怎么把最小風(fēng)險(xiǎn)的概念引入Fisher線性判別中，簡(jiǎn)述一下。6%答：見前文5.

現(xiàn)在先要建立一種針對(duì)不同用戶的文本郵件分類系統(tǒng)，比如分成私人郵件，公務(wù)郵件等。描述怎么建立，課上講的哪些方法和概念可以用到30%

5.

現(xiàn)在先要建立一種針對(duì)不同用戶的文本郵件分類系統(tǒng)，比如分成私人郵件，公務(wù)郵件等。描述怎么建立，課上講的哪些方法和概念可以用到30%

答：見前文

卷六、2005~2006秋_模式識(shí)別_張學(xué)工_期末張老師說：言多必失

1.

10%

簡(jiǎn)述最小錯(cuò)誤率Bayes分類器的原理和適用范圍

1.

10%

簡(jiǎn)述最小錯(cuò)誤率Bayes分類器的原理和適用范圍

答：（NBA@zzxy說）：原理：通過觀察x把狀態(tài)的先驗(yàn)概率轉(zhuǎn)化為狀態(tài)的后驗(yàn)概率，比較不同的后驗(yàn)概率并作出決策。適用范圍：各類別總體的概率分布是已知的，要決策分類的類別數(shù)是一定的，離散數(shù)據(jù)，相較其它算法可以解決高維問題。2.

10%

2.

10%

什么是分類器的錯(cuò)誤率如何估計(jì)？

簡(jiǎn)述兩類錯(cuò)誤率的概念，以及如何控制兩類錯(cuò)誤率的影響？

答：兩類錯(cuò)誤率是：拒真納偽?？刂苾深愬e(cuò)誤率（1）選擇更好的特征。（2）對(duì)特征進(jìn)行提取。（3）變更分類器。（4）同一種分類器引入風(fēng)險(xiǎn)函數(shù)進(jìn)行權(quán)衡（Tradeoff）3.

10%

寫出英文全稱

模式識(shí)別

似然函數(shù)

非監(jiān)督學(xué)習(xí)

非參數(shù)估計(jì)

SVM

MLP

PCA

MDS(必殺!)

k-NN

SOM

3.

10%

寫出英文全稱

模式識(shí)別

似然函數(shù)

非監(jiān)督學(xué)習(xí)

非參數(shù)估計(jì)

SVM

MLP

PCA

MDS(必殺!)

k-NN

SOM

答：PatternRecognition;LikelihoodFunction;UnsupervisedLearning;Non-parametricalEstimation4.

10%

無鄰域相互作用的SOM的準(zhǔn)則函數(shù)(記不清怎么說的了..)

4.

10%

無鄰域相互作用的SOM的準(zhǔn)則函數(shù)(記不清怎么說的了..)

C-means，見前文

5.

15%

學(xué)號(hào)末兩位和為奇數(shù)用身高數(shù)據(jù)，為偶數(shù)用體重?cái)?shù)據(jù)

體5.

15%

學(xué)號(hào)末兩位和為奇數(shù)用身高數(shù)據(jù)，為偶數(shù)用體重?cái)?shù)據(jù)

體重：

55

57

67

68

50

進(jìn)行平均距離分級(jí)聚類，給出分類樹，給出每級(jí)的距離矩陣。

聚為幾類合適為什么(((67,68)),50),(55,57)),分為兩類合適。每級(jí)距離矩陣：(((67[1]68))[方差*]50)[方差**](55[]57)),6.

15%

參數(shù)估計(jì)和非參數(shù)估計(jì)的概念最大似然估計(jì)和Parzen窗法的原理？

如何估計(jì)錯(cuò)誤率6.

15%

參數(shù)估計(jì)和非參數(shù)估計(jì)的概念最大似然估計(jì)和Parzen窗法的原理？

如何估計(jì)錯(cuò)誤率答：參數(shù)估計(jì)：已知概率模型，根據(jù)樣本對(duì)參數(shù)進(jìn)行估計(jì)。非參數(shù)估計(jì)：未知概率模型，通過樣本對(duì)概率模型進(jìn)行直接估計(jì)。最大似然估計(jì)：在參數(shù)估計(jì)中選取使樣本出現(xiàn)概率最大（MostLikelihood）的參數(shù)進(jìn)行的估計(jì)。Parzen窗法是一種非參數(shù)估計(jì)方法（課件），每個(gè)樣本點(diǎn)對(duì)分布函數(shù)產(chǎn)生貢獻(xiàn)用窗函數(shù)描述為k(x,xi)7.