原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
2025年3月人工智能核心算法习题与参考答案
习题1：线性回归算法
问题描述
给定一组数据集$\{(x_1,y_1),(x_2,y_2),\cdots,(x_n,y_n)\}$，其中$x_i$是一维特征，$y_i$是对应的目标值。使用最小二乘法求解线性回归模型$y=wx+b$的参数$w$和$b$。
解答思路
线性回归的目标是找到参数$w$和$b$，使得预测值$\hat{y}_i=wx_i+b$与真实值$y_i$之间的误差平方和最小，即最小化损失函数：
\[
J(w,b)=\sum_{i=1}^{n}(y_i(wx_i+b))^2
\]
为了求解$w$和$b$，我们分别对$w$和$b$求偏导数，并令偏导数为0。
对$b$求偏导数：
\[
\frac{\partialJ(w,b)}{\partialb}=2\sum_{i=1}^{n}(y_i(wx_i+b))=0
\]
化简可得：
\[
\sum_{i=1}^{n}y_i=w\sum_{i=1}^{n}x_i+nb
\]
则$b$的表达式为：
\[
b=\frac{1}{n}\sum_{i=1}^{n}y_iw\frac{1}{n}\sum_{i=1}^{n}x_i=\bar{y}w\bar{x}
\]
其中$\bar{x}=\frac{1}{n}\sum_{i=1}^{n}x_i$，$\bar{y}=\frac{1}{n}\sum_{i=1}^{n}y_i$。
对$w$求偏导数：
\[
\frac{\partialJ(w,b)}{\partialw}=2\sum_{i=1}^{n}x_i(y_i(wx_i+b))=0
\]
将$b=\bar{y}w\bar{x}$代入上式并化简可得：
\[
w=\frac{\sum_{i=1}^{n}(x_i\bar{x})(y_i\bar{y})}{\sum_{i=1}^{n}(x_i\bar{x})^2}
\]
Python代码实现
```python
importnumpyasnp
deflinear_regression(x,y):
n=len(x)
x_mean=np.mean(x)
y_mean=np.mean(y)
numerator=np.sum((xx_mean)(yy_mean))
denominator=np.sum((xx_mean)2)
w=numerator/denominator
b=y_meanwx_mean
returnw,b
示例数据
x=np.array([1,2,3,4,5])
y=np.array([2,4,6,8,10])
w,b=linear_regression(x,y)
print(fw:{w},b:{b})
```
习题2：逻辑回归算法
问题描述
给定一个二分类数据集$\{(x_1,y_1),(x_2,y_2),\cdots,(x_n,y_n)\}$，其中$x_i$是$d$维特征向量，$y_i\in\{0,1\}$是对应的类别标签。使用梯度下降法求解逻辑回归模型的参数$\theta$。
解答思路
逻辑回归模型通过sigmoid函数将线性组合$z=\theta^Tx$映射到$[0,1]$区间，作为样本属于正类的概率：
\[
h_{\theta}(x)=\frac{1}{1+e^{\theta^Tx}}
\]
逻辑回归的损失函数采用对数损失函数：
\[
J(\theta)=\frac{1}{n}\sum_{i=1}^{n}[y_i\log(h_{\theta}(x_i))+(1y_i)\log(1h_{\theta}(x_i))]
\]
梯度下降法通过迭代更新参数$\theta$，每次迭代的更新公式为：
\[
\theta=\theta\alpha\nablaJ(\theta)
\]
其中$\alpha$是学习率，$\nablaJ(\theta)$是损失函数$J(\theta)$关于$\theta$的梯度：
\[
\nablaJ(\theta)=\frac{1}{n}\sum_{i=1}^{n}(h_{\theta}(x_i)y_i)x_i
\]
Python代码实现
```python
importnumpyasnp
defs
文档评论（0）