1、试写出分裂聚类算法，自上而下地对数据进行聚类，并给出其算法复杂度。解：算法流程大致如下：输入：数据集T，指定需要划分的簇数k输出：k个数据集的子集将数据集T中的所有样本作为一个初始簇。在所有的簇中选择直径最大的簇记为C0C_0C0​。计算簇C0C_0C0​中所有的点到其他点的平均距离最大的点 p0p_0p0​放在一个新的簇CnewC_{new}Cnew​中，C0C_0C0​中剩余的样本构成的簇

1、对以下样本进行主成分分析：[233457245568]\begin{bmatrix}2 & 3 & 3 & 4 &5& 7\\2 & 4 & 5 & 5 & 6 &8\end{bmatrix}[22​34​35​45​56​78​]解：import numpy as npdef PCA(X):# 下面先对数据进行规

import torchimport torch.nn as nnimport torch.nn.functional as Fclass Attention_Layer(nn.Module):#用来实现mask-attention layerdef __init__(self, hidden_dim, is_bi_rnn):super(Attention_Layer,self).__init__

1、根据表5.1所给的训练数据集，利用信息增益比（C4.5算法）生成决策树。解：下面先给出计算信息增益比的程序，并且输出最好的特征import numpy as npdef info_ratio(D, Y, n):'''计算信息增益比Parameters----------D : numpy array训练数据集.Returns-------最优特征.'''#下面开始修正数据

1、比较感知机的对偶形式与线性可分支持向量机的对偶形式。1.1、感知机的对偶形式由于李航老师书上的感知机的对偶形式有点问题，这里先对其进行一下改进最后学习到的感知机的参数是：w=∑i=1Nαiyixi(1)w = \sum_{i = 1}^{N}\alpha _{i} y_{i} x_{i}\tag{1}w=i=1∑N​αi​yi​xi​(1)b=∑i=1Nαiyi(2)b = \sum_{i =

1、确认逻辑斯谛分布属于指数分布族。证明：逻辑斯谛分布的概率密度函数是：f(x)=e−(x−μ)/γγ(1+e−(x−μ)/γ)2(1)f(x) = \frac{e^{-(x-\mu )/\gamma } }{\gamma (1+e^{-(x-\mu )/\gamma})^{2} } \tag{1}f(x)=γ(1+e−(x−μ)/γ)2e−(x−μ)/γ​(1)而指数族分布是指概率密度函数可以表

一、策略梯度算法推导以及解释1.1 背景设πθ(s)\pi_{\theta }(s)πθ​(s)是一个有网络参数θ\thetaθ的actor，然后我们让这个actor和环境（environment）互动或者说去玩一场游戏，在这个游戏中actor会观测环境处于的某种状态s,然后根据这个环境的状态做出一定的动作a（action）来应对环境的变化，从而得到一定的奖励r（reward）下面是一个使用神经网

这篇文章将要介绍传统的qlearning算法，使用的是迭代的方法更新q表，更新q表的方法类似于向前推进，而不是使用梯度下降方法，因为这里介绍的不是Deep QLearning方法。一、算法介绍以及推导注：这里更新的不是agent，而是一个q表，q表里面记录的是agent在某个状态采取某个的动作的好坏，q表可以起到间接决定agent采取什么决策。q表就类似一个critic，一个评论家，来指导agen

这篇文章将要介绍传统的qlearning算法，使用的是迭代的方法更新q表，更新q表的方法类似于向前推进，而不是使用梯度下降方法，因为这里介绍的不是Deep QLearning方法。一、算法介绍以及推导注：这里更新的不是agent，而是一个q表，q表里面记录的是agent在某个状态采取某个的动作的好坏，q表可以起到间接决定agent采取什么决策。q表就类似一个critic，一个评论家，来指导agen

1、参照图3.1，在二维空间中给出实例点，画出 kkk 为1和2时的 kkk 近邻法构成的空间划分，并对其进行比较，体会 kkk 值的选择与模型复杂度及预测准确率的关系。解：唉，这一题花了很长时间才搞明白到底是要干啥。下面先简单的介绍一下，到底要干嘛，和k近邻的关系是啥。我们知道，k近邻算法在对一个新的数据点 AAA 进行分类的时候（这里就以分类来介绍），需要以AAA为中心，寻找距离AAA最近的k