BAT機器學習面試1000題系列（211-215）

01-29

211.解決隱馬模型中預測問題的演算法是?

A.前向演算法

B.後向演算法

C.Baum-Welch演算法

D.維特比演算法

正確答案：D

@劉炫320，本題題目及解析來源：http://blog.csdn.net/column/details/16442.html

A、B：前向、後向演算法解決的是一個評估問題，即給定一個模型，求某特定觀測序列的概率，用於評估該序列最匹配的模型。

C：Baum-Welch演算法解決的是一個模型訓練問題，即參數估計，是一種無監督的訓練方法，主要通過EM迭代實現；

D：維特比演算法解決的是給定一個模型和某個特定的輸出序列，求最可能產生這個輸出的狀態序列。如通過海藻變化（輸出序列）來觀測天氣（狀態序列），是預測問題，通信中的解碼問題。

212.一般，k-NN最近鄰方法在( )的情況下效果較好

A.樣本較多但典型性不好

B.樣本較少但典型性好

C.樣本呈團狀分布

D.樣本呈鏈狀分布

正確答案：B

解析：K近鄰演算法主要依靠的是周圍的點，因此如果樣本過多，那肯定是區分不出來的。因此應當選擇B

樣本呈團狀頗有迷惑性，這裡應該指的是整個樣本都是呈團狀分布，這樣kNN就發揮不出其求近鄰的優勢了，整體樣本應該具有典型性好，樣本較少，比較適宜。

213.下列方法中，可以用於特徵降維的方法包括（）

A.主成分分析PCA

B.線性判別分析LDA

C.深度學習SparseAutoEncoder

D.矩陣奇異值分解SVD

E.最小二乘法LeastSquares

正確答案：ABCD

解析：降維的3種常見方法ABD，都是線性的。深度學習是降維的方法這個就比較新鮮了，事實上，細細想來，也是降維的一種方法，因為如果隱藏層中的神經元數目要小於輸入層，那就達到了降維，但如果隱藏層中的神經元如果多餘輸入層，那就不是降維了。

最小二乘法是線性回歸的一種解決方法，其實也是投影，但是並沒有進行降維。

214.下面哪些是基於核的機器學習演算法?()

A.Expectation Maximization（EM）（最大期望演算法）

B.Radial Basis Function（RBF）（徑向基核函數）

C.Linear Discrimimate Analysis（LDA）（主成分分析法）

D.Support Vector Machine（SVM）（支持向量機）

正確答案：BCD

解析：徑向基核函數是非常常用的核函數，而主成分分析法的常規方法是線性的，但是當遇到非線性的時候，同樣可以使用核方法使得非線性問題轉化為線性問題。支持向量機處理非線性的問題的時候，核函數也是非常重要的。

215.試推導樣本空間中任意點x到超平面（w,b）的距離公式。