机器学习测试题.pptx

    机器学习作业，要求用笔写下来，学委统一收齐交给老师。
    一、名词解释：
    人工智能 机器学习 神经网络 深度学习

    二、问答题：
    ①什么叫泛化？
    ②什么叫欠拟合，什么叫过拟合？
    ③什么是回归，举个线性回归的例子？
    ④重要的人工神经网络模型有哪些？
    ⑤写出基于决策树的测试(预测)过程？

    一、名词解释：人工智能（Artificial Intelligence）：人工智能指的是一种模拟人类智能的科学和工程领域。它涵盖了多个子领域，包括机器学习、自然语言处理、计算机视觉等。人工智能的目标是使计算机具备智能化的能力，可以像人类一样进行思考、学习、推理和解决问题。

    机器学习（Machine Learning）：机器学习是人工智能的一个分支，它使用算法和统计模型来使计算机系统自动从数据中学习，并从中改进和优化自身的性能。机器学习通过训练模型，使计算机能够对未知数据进行预测、分类、聚类和决策。机器学习分为监督学习、无监督学习和强化学习等不同类型。

    神经网络（Neural Network）：神经网络是一种数学模型，它通过模拟生物神经网络的工作原理，来进行数据处理和学习。神经网络由大量的神经元（节点）组成，通过连接和传递信号来进行信息处理。神经网络可以用于模式识别、图像处理、语音识别等领域，它的训练和学习过程通过调整神经元之间的连接权重来实现。

    深度学习（Deep Learning）：深度学习是机器学习的一个分支，它以神经网络为基础，通过多层传递和处理数据来学习和提取高级特征。与传统机器学习算法相比，深度学习可以自动学习数据的高层抽象特征，并在大规模数据集上取得更好的性能。深度学习在图像识别、语音识别、自然语言处理等领域有广泛应用。

    二、问答题：
    ①泛化是指机器学习算法在经过训练后，能够对未见过的新数据进行准确预测或分类的能力。泛化性能好的模型能够正确推广到不同的数据样本上，而不仅仅是在训练集上表现良好。

    ②欠拟合指模型无法在训练数据集和测试数据集上达到较好的表现。即模型对训练数据和测试数据都没有完全拟合的趋势。过拟合指模型在训练数据上表现出非常好的性能，但在测试数据上表现较差，出现了对训练数据过度拟合的情况。

    ③回归是一种机器学习任务，用于预测连续变量的值。线性回归是一种常见的回归方法，它通过拟合一条直线或曲线来描述自变量与因变量之间的线性关系。举个例子，我们可以使用线性回归来预测一个房屋的售价，根据房屋的面积作为自变量，预测房屋的售价作为因变量。

    ④一些重要的人工神经网络模型包括感知机（Perceptron）、多层感知机（Multi-Layer Perceptron, MLP）、卷积神经网络（Convolutional Neural Network, CNN）和循环神经网络（Recurrent Neural Network, RNN）等。

    ⑤基于决策树的测试（预测）过程一般如下：

    • 从根节点开始，根据特征的值将数据样本分配到相应的子节点。
    • 沿着子节点继续进行，直到叶节点。
    • 叶节点中存储了预测结果或继续进行更详细判断的条件。
    • 使用测试样本进行决策树的测试时，根据特征值的条件依次选择子节点，直到达到叶节点，然后根据叶节点存储的结果进行预测。

    一、名词解释： 人工智能（Artificial Intelligence）：人工智能是一门致力于使机器能够具备智能行为的学科。它涉及模拟和复制人类智能和认知过程的技术和方法，包括机器学习、知识表示、推理、问题求解等。

    机器学习（Machine Learning）：机器学习是一种通过使用数据和统计模型，使计算机系统能够自动学习并进行预测和决策的领域。它包括监督学习、无监督学习、强化学习等不同类型的算法和技术。

    神经网络（Neural Network）：神经网络是一种受到人类神经系统结构启发的计算模型。它由多个相互连接的节点（神经元）组成，通过模拟神经元之间的权重和激活函数的计算，实现数据的传递和处理。神经网络在模式识别、分类、回归等任务中具有很强的表达能力。

    深度学习（Deep Learning）：深度学习是机器学习的一种特定形式，它通过使用多层的神经网络结构来学习和提取数据的高级特征。深度学习通过多层的非线性变换和特征提取，可以自动学习大规模数据集中的复杂模式和表示。它在图像识别、语音识别、自然语言处理等领域中取得了显著的成果。

    二、问答题：
    ①泛化（Generalization）是指机器学习模型对未见过的数据具有良好的预测能力的特性。泛化能力好的模型能够从已见过的训练数据中学习到一般的规律和模式，并在新的数据上表现良好。

    ②欠拟合（Underfitting）指模型无法很好地拟合训练数据，无法捕捉到数据中的真实模式和规律，导致预测能力较差。过拟合（Overfitting）指模型过度拟合了训练数据，过多地记住了噪声或异常值，导致在新的数据上表现不佳。

    ③回归（Regression）是一种机器学习任务，用于预测连续数值输出。线性回归（Linear Regression）是一种常见的回归算法，其模型假设目标变量和特征之间存在线性关系。例如，使用房屋的面积作为特征，预测房价。

    ④重要的人工神经网络模型有：

    • 感知机（Perceptron）
    • 多层感知机（Multilayer Perceptron，MLP）
    • 卷积神经网络（Convolutional Neural Network，CNN）
    • 循环神经网络（Recurrent Neural Network，RNN）
    • 长短期记忆网络（Long Short-Term Memory，LSTM）
    • 生成对抗网络（Generative Adversarial Network，GAN）

    ⑤基于决策树的测试（预测）过程一般如下：

    • 从根节点开始，根据测试样本的特征值选择相应的子节点。
    • 沿着所选择的子节点继续进行测试，直到达到叶节点。
    • 利用叶节点的类别或预测值作为最终的预测结果。
      决策树的构建过程是通过对训练数据进行递归分割，形成一棵树形结构，用于进行分类或预测任务。