模式识别II-考试题B-2024.docxVIP

《模式识别II》期末考试试卷

第

第PAGE14页共6页

PAGE

2024—2025学年第1学期

《模式识别II》考试试卷B卷

考试说明：考试时间：95分钟；考试形式：闭卷

适用专业：人工智能

承诺：

本人已学习了《大学考场规则》和《大学学生违纪处分条例》，承诺在考试过程中自觉遵守有关规定，服从监考教师管理，诚信考试，做到不违纪、不作弊、不替考。若有违反，愿接受相应的处分。

承诺人：学号：班号：

。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

注：本试卷共五大题，共6页，满分100分，考试时必须使用卷后附加的统一答题纸或草稿纸。请将答案统一写在答题纸上，答案写在其他位置造成的成绩缺失由考生自己负责。

卷面成绩汇总表（阅卷教师填写）

题号

一

二

三

四

五

总成绩

满分

40

20

10

20

10

得分

得分

一、判断题及解释题（每题4分，共40分）

请在答题纸对应题号下方空格处为正确说法打√,错误说法打×，并对答案进行解释。

随着事件A发生的频次越高，对事件A发生的概率估计就越准确。（）

解释：

模式识别中，对于一个分类器模型而言，必须要求特征的大小归一化到0-1之间。（）

解释：

对模式识别系统而言，归一化可以提高梯度下降法求解最优解的速度。（）

解释：

在感知机中，我们可以利用核函数和对偶形式将感知机进行非线性化。()

解释：

在线性分类器y=wTx+b中，偏置b

解释：

因为sigmoid函数是非线性函数，所以用y=wTx

解释：

Boosting算法的弱分类器之间是强相关的。()

解释：

Boosting算法的非线性能力是从单个弱分类的非线性能力中获得。()

解释：

在梯度下降中，随机梯度下降算法的梯度受到每次迭代采样到样本的影响。因此，与批处理梯度下降相比，每次迭代计算的梯度存在着较大的方差。()

解释：

Bagging算法是将一些高方差的弱分类器组合为低方差的强分类器。()

解释：

得分

二、单选或多选题（共20分，每题完全选对得2分）

请在答题纸对应题号下方空格处填入A、B、C、D、E中的一个或多个选项，多选或错选都不记分。

关于感知机中线性函数y=wTx+b的b与逻辑斯回归（Logistic）中y=wTx

A．感知机中的b与逻辑斯回归中的b作用相同

B．感知机中的b比逻辑回归中的b难求解

C．感知机中的b是为了配合符号函数而引入的

D．逻辑斯回归中的b是为了让概率和为1

E．在梯度下降过程中，逻辑斯回归中的b和w可以用不同的学习率

关于损失函数与最大似然估计的关系，以下陈述正确为（）。

A．平方损失函数下，中位数是所求的最大似然估计

B．平方损失函数下，均值是所求的最大似然估计

C．损失函数是评估模型性能的一种指标

D．以上答案都不正确

以下哪些选项正确地描述了Boosting算法与Bagging算法的区别？（）

A.Boosting算法中的弱学习器是串行生成的，而Bagging算法中的弱学习器是并行生成的

B.Boosting算法主要用于降低模型的偏差，而Bagging算法主要用于减少模型的方差

C.Boosting算法通过调整训练数据的权重来关注前一轮分类错误的样本，而Bagging算法则通过随机抽样来形成不同的训练子集

D.Boosting算法和Bagging算法都只能用于分类问题

下列哪种情况不能用最大后验估计方法进行参数估计（）。

A．训练集较大

B．无法对所有参数的先验分布进行确定

C．样本属性之间是条件独立

D．系统要求比最大似然估计方法有更高的准确率

E.当训练集较小时，甲方又要求设计出更高性能的分类器

下列哪些选项正确地描述了损失函数在最大似然估计中的作用？（）

A.损失函数用于定义模型预测与观测数据之间的误差

B.在最大似然估计中，我们通常最小化负对数似然函数，这可以看作是一种损失函数

C.损失函数的选择对最大似然估计的结果没有影响

D.通过最小化损失函数，最大似然估计能够找到最符合观测数据的模型参数

Logistic回归无法直接而高效地适用于以下问题（）。

A．类别不平衡的多类分类问题C．类别平衡的多类分类问题

B．用于4000个汉字的OCR字符识别D.用于垃圾邮件的分类问题

以下哪项陈述是错误的（）。

A．对于Logistic回归，梯度