模式识别与机器学习期末考查试题及参考答案 .pdfVIP

模式识别与机器学习期末考查

试卷

研究生姓名：入学年份：导师姓名：

试题1：简述模式识别与机器学习研究的共同问题和各自的研究侧重点。

答：（1）模式识别是研究用计算机来实现人类的模式识别能力的一门学科，是指

对表征事物或现象的各种形式的信息进行处理和分析，以对事物或现象进行描述、

辨认、分类和解释的过程。主要集中在两方面，一是研究生物体（包括人）是如何

感知客观事物的，二是在给定的任务下，如何用计算机实现识别的理论和方法。机

器学习则是一门研究怎样用计算机来模拟或实现人类学习活动的学科，是研究如何

使机器通过识别和利用现有知识来获取新知识和新技能。主要体现以下三方面：一

是人类学习过程的认知模型；二是通用学习算法；三是构造面向任务的专用学习系

统的方法。两者关心的很多共同问题，如：分类、聚类、特征选择、信息融合等，

这两个领域的界限越来越模糊。机器学习和模式识别的理论和方法可用来解决很多

机器感知和信息处理的问题，其中包括图像/视频分析（文本、语音、印刷、手

写）文档分析、信息检索和网络搜索等。

（2）机器学习和模式识别是分别从计算机科学和工程的角度发展起来的，各自的

研究侧重点也不同。模式识别的目标就是分类，为了提高分类器的性能，可能会用

到机器学习算法。而机器学习的目标是通过学习提高系统性能，分类只是其最简单

的要求，其研究更侧重于理论，包括泛化效果、收敛性等。模式识别技术相对比较

成熟了，而机器学习中一些方法还没有理论基础，只是实验效果比较好。许多算法

他们都在研究，但是研究的目标却不同。如SVM在模式识别中研究所关心的就是

其对人类效果的提高，偏工程。而在机器学习中则更侧重于其性能上的理论证明。

试题2：列出在模式识别与机器学习中的常用算法及其优缺点。

答：（1）K近邻法

KNN算法作为一种非参数的分类算法，它已经广泛应用于分类、回归和模式

识别等。在应用KNN算法解决问题的时候，要注意的两个方面是样本权重和特征

权重。

优缺点：非常有效，实现简单，分类效果好。样本小时误差难控制，存储所有样

本，需要较大存储空间，对于大样本的计算量大。

（2）贝叶斯决策法

贝叶斯决策法是以期望值为标准的分析法，是决策者在处理风险型问题时常常

使用的方法。

优缺点：由于在生活当中许多自然现象和生产问题都是难以完全准确预测的，因此

决策者在采取相应的决策时总会带有一定的风险。贝叶斯决策法就是将各因素发生

某种变动引起结果变动的概率凭统计资料或凭经验主观地假设，然后进一步对期望

值进行分析，由于此概率并不能证实其客观性，故往往是主观的和人为的概率，本

身带有一定的风险性和不肯定性。虽然用期望的大小进行判断有一些风险，但仍可

以认为贝叶斯决策是一种兼科学性和实效性于一身的比较完善的用于解决风险型决

策问题的方法，在实际中能够广泛应用于组织系统改革、企业效益、市场开发、证

券投资等诸多领域。使用时根据决策者的侧重点，结合变异系数，综合使用货币因

素的贝叶斯决策、或效用函数的贝叶斯决策法，都会得到自己想要的结果。

（3）DES加密算法

DES是DataEncryptionStandard（数据加密标准）的缩写，它为密码体制中

的对称密码体制，又被称为美国数据加密标准，是1972年美国IBM公司研制的加

密算法。DES是一个分组加密算法，他以64位为分组对数据加密。同时DES也是

一个对称算法：加密和解密用的是同一个算法。它的密匙长度是56位（因为每个

第8位都用作奇偶校验），密匙可以是任意的56位的数，而且可以任意时候改

变。其中有极少量的数被认为是弱密匙，但是很容易避开他们。所以保密性依赖于

密钥。

优缺点：具有极高安全性，分组比较短，密钥太短，密码生命周期短，运算速度较

慢。

（4）决策树学习算法

决策树算法是一种混合算法，它综合了多种不同的创建树的方法，并支持多个

分析任务，包括回归、分类以及关联。决策树算法支持对离散属性和连续属性进行

建模。

优缺点：决策树算法高效快速且可伸缩，可轻松实现并行化，这意味着所有处理器

均可协同工作，共同生成一个一致的模型。这些特征使决策树分类器成为了理想的

数据挖掘工具。在数据挖掘的各种方法中,决策树归纳学习算法以其易于提取显式

规则、计算量相对较小、可以显示重要的决策属性和较高的分类准确率等优点而得

到广泛应用。决策树的这种易