人工智能课后习题总结.pptVIP

* AI:Summary * 5.20 请说明最小平方误差（MSE），最小描述长度（MDL），最大后验概率（MAP），极大似然（ML）等准则之间的联系与区别，以及它们在智能系统中的重要作用。 答：联系：均为问题求解的优化准则，确定了智能系统的计算目标（重要性） 区别：最小平方误差是使输入与输出的误差平方和最小化；最小描述长度是使描述数据所需编码长度最小化；最大后验概率是使数据对应的后验概率最大化；极大似然准则是使数据同时出现的可能性最大化。 * AI:Summary * 5.24 假设数据集D中含有9个二维数据对象： A1(3,2), A2(3,9), A3(8,6), B1(9,5), B2(2,4), B3(3,10), C1(2,6), C2(9,6), C3(2,2) 采用k-均值方法对数据集D进行聚类（k=3），相似性度量采用欧氏距离。假设初始的三个簇均值为A1,B1,和C1，求： （1）第一次循环结束时的三个簇的均值。 （2）最后求得的三个簇。 （3）当采用城区距离或q=3的闵可夫斯基距离时，情况如何？ * AI:Summary * 解：（1）第一次循环： 计算各数据到聚类中心K1=A1, K2=B1, K3=C1的欧氏距离的平方 d(A2, K1) =49； d(A2, K2) =52； d(A2, K3) =10； d(A3, K1) =41； d(A3, K2) =2； d(A3, K3) =36； d(B2, K1) =5； d(B2, K2) =50； d(B2, K3) =4； d(B3, K1) =64； d(B3, K2) =61； d(B3, K3) =17； d(C2, K1) =52； d(C2, K2) =1； d(C2, K3) =49； d(C3, K1) =1； d(C3, K2) =58； d(C3, K3) =16； 则三个簇及其均值分别更新为 {A1, C3}， K1=(2.5, 2) {B1, A3, C2}, K2=(8.7, 5.7) {C1, A2, B2, B3}, K3=(2.5, 7.25) * AI:Summary * （2）第二次循环： 计算各数据到聚类中心K1, K2, K3的欧氏距离的平方 d(A1, K1) =0.25； d(A1, K2) =32.49； d(A1, K3) =27.81； d(A2, K1) =49.25； d(A2, K2) =54.58；d(A2, K3) =3.31； d(A3, K1) =46.25； d(A3, K2) =0.58； d(A3, K3) =31.81； d(B1, K1) =51.25； d(B1, K2) =0.58； d(B1, K3) =47.31 ； d(B2, K1) =4.25； d(B2, K2) =47.78； d(B2, K3) =10.81； d(B3, K1) =64.25； d(B3, K2) =50.98； d(B3, K3) =7.61； d(C1, K1) =16.25； d(C1, K2) =44.98； d(C1, K3) =1.81； d(C2, K1) =58.25； d(C2, K2) =0.18； d(C2, K3) =43.81； d(C3, K1) =0.25； d(C3, K2) =58.58； d(C3, K3) =27.81； 则三个簇及其均值分别更新为 {A1, B2, C3}， K1=(2.3, 2.7) {B1, A3, C2}, K2=(8.7, 5.7) {C1, A2, B3}, K3=(2.7, 8.3) * AI:Summary * 第三次循环： 计算各数据到聚类中心K1, K2, K3的欧氏距离的平方 d(A1, K1) =0.98； d(A1, K2) =32.49； d(A1, K3) =39.78； d(A2, K1) =40.18； d(A2