①、機器學習
下列哪個不屬於CRF模型對於HMM和MEMM模型的優勢( )
A:特徵靈活
B:速度快
C:可容納較多上下文資訊
D:全域性最優
答案:B
解析:HMM模型是對轉移概率和表現概率直接建模,統計共現概率。而MEMM模型是對轉移概率和表現概率建立聯合概率,統計時統計的是條件概率。CRF是在給定需要標記的觀察序列的條件下,計算整個標記序列的聯合概率分佈,而不是在給定當前狀態條件下,定義下一個狀態的狀態分佈。MEMM容易陷入區域性最優,是因為MEMM只在區域性做歸一化。CRF模型中,統計了全域性概率,在做歸一化時,考慮了資料在全域性的分佈,而不是僅僅在區域性歸一化,這樣就解決了MEMM中的標記偏置的問題。
CRF沒有HMM那樣嚴格的獨立性假設條件,因而可以容納任意的上下文資訊,特徵設計靈活。CRF需要訓練的引數更多,與MEMM和HMM相比,它存在訓練代價大、複雜度高的缺點。
①、機器學習
下列哪個不屬於CRF模型對於HMM和MEMM模型的優勢( )
A:特徵靈活
B:速度快
C:可容納較多上下文資訊
D:全域性最優
答案:B
解析:HMM模型是對轉移概率和表現概率直接建模,統計共現概率。而MEMM模型是對轉移概率和表現概率建立聯合概率,統計時統計的是條件概率。CRF是在給定需要標記的觀察序列的條件下,計算整個標記序列的聯合概率分佈,而不是在給定當前狀態條件下,定義下一個狀態的狀態分佈。MEMM容易陷入區域性最優,是因為MEMM只在區域性做歸一化。CRF模型中,統計了全域性概率,在做歸一化時,考慮了資料在全域性的分佈,而不是僅僅在區域性歸一化,這樣就解決了MEMM中的標記偏置的問題。
CRF沒有HMM那樣嚴格的獨立性假設條件,因而可以容納任意的上下文資訊,特徵設計靈活。CRF需要訓練的引數更多,與MEMM和HMM相比,它存在訓練代價大、複雜度高的缺點。
②、概率
假設一個完整的撲克牌有52張牌,2黑色(黑葵和梅花)和2紅色(方塊和紅心)。如果給你一副完整的牌,和半副牌(1紅色和1黑色),則兩種情況下抽兩張牌都是紅色的概率是多少( )
A:1/2,1/2
B:25/102,12/50
C:50/51,24/25
D:25/51,12/25
答案:B
解析:一副牌,第一張為紅色的概率為26/52,第二張為紅色的概率為25/51,兩張都為紅色的概率為:26/52*25/51=25/102
半副牌,第一張為紅色的概率為13/26,第二張為紅色的概率為12/25,兩張都為紅色的概率為:13/26*12/25=12/50
③、機器學習
下面關於ID3演算法中說法錯誤的是( )
A:ID3演算法要求特徵必須離散化
B:資訊增益可以用熵,而不是GINI係數來計算
C:選取資訊增益最大的特徵,作為樹的根節點
D:ID3演算法是一個二元樹模型
答案:D
解析:ID3演算法的`核心思想是以資訊增益度量屬性選擇,選擇分裂後資訊增益最大的屬性進行分裂。ID3演算法的侷限是它的屬性只能取離散值,為了使決策樹能應用於連續屬性值情況,可以使用ID3的一個擴充套件演算法C4.5演算法。BC選項都是ID3演算法的特點。ID3演算法生成的決策樹是一棵多叉樹,分支的數量取決於分裂屬性有多少個不同的取值。因此D選項錯誤。
假設一個完整的撲克牌有52張牌,2黑色(黑葵和梅花)和2紅色(方塊和紅心)。如果給你一副完整的牌,和半副牌(1紅色和1黑色),則兩種情況下抽兩張牌都是紅色的概率是多少( )
A:1/2,1/2
B:25/102,12/50
C:50/51,24/25
D:25/51,12/25
答案:B
解析:一副牌,第一張為紅色的概率為26/52,第二張為紅色的概率為25/51,兩張都為紅色的概率為:26/52*25/51=25/102
半副牌,第一張為紅色的概率為13/26,第二張為紅色的概率為12/25,兩張都為紅色的概率為:13/26*12/25=12/50
③、機器學習
下面關於ID3演算法中說法錯誤的是( )
A:ID3演算法要求特徵必須離散化
B:資訊增益可以用熵,而不是GINI係數來計算
C:選取資訊增益最大的特徵,作為樹的根節點
D:ID3演算法是一個二元樹模型
答案:D
解析:ID3演算法的核心思想是以資訊增益度量屬性選擇,選擇分裂後資訊增益最大的屬性進行分裂。ID3演算法的侷限是它的屬性只能取離散值,為了使決策樹能應用於連續屬性值情況,可以使用ID3的一個擴充套件演算法C4.5演算法。BC選項都是ID3演算法的特點。ID3演算法生成的決策樹是一棵多叉樹,分支的數量取決於分裂屬性有多少個不同的取值。因此D選項錯誤。