机器学习笔试题一

1.输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小是多少？

分析：
(1) 只经过一层卷积和时尺寸改变：n−f+1$n-f+1$，其中n$n$为输入图片的尺寸，f$f$为卷积核的尺寸
(2) 在边缘填充p层之后再经过一层卷积：n+2p−f+1$n+2p-f+1$
(3) 卷积核的步长（stride）为s：n+2p−fs+1$\frac{n+2p-f}{s}+1$
(4) pooling与卷积核对尺寸的改变相同：n−f+1$n-f+1$，其中n$n$为输入尺寸，f$f$为pooling核的尺寸

第一层：

size1=200+2×1−52+1=99.5$$siz{e}_1=\frac{200+2\times 1-5}{2}+1=99.5$$

这就尴尬了，怎么会有小数？
这种情况在GoogLeNet中遇到过，解决的办法就是：卷积向下取整，池化向上取整。
所以经过第一层卷积之后大小为98x98。
第二层：

size2=99−3+1=97$$siz{e}_2=99-3+1=97$$

第三层：

size3=97+2×1−3+1=97$$siz{e}_3=97+2\times 1-3+1=97$$

2.在统计模式识分类问题中，当先验概率未知时，可以使用(BC)?

• A. 最小损失原则
• B. N-P判决
• C. 最小最大损失准则
• D. 最小误判概率准则

分析：
最小最大损失准则：考虑p(c)变化的条件下，是风险最小
最小误判概率准则， 就是判断p(c1|x)和p(c2|x)哪个大，x为特征向量，c1和c2为两分类，根据贝叶斯公式，需要用到先验知识;
最小损失准则，最小最大损失准则基础之上，还要求出p(c1|x)和p(c2|x)的期望损失，需要先验概率
N-P判决，即限定一类错误率条件下使另一类错误率为最小的两类别决策，即在一类错误率固定的条件下，求另一类错误率的极小值的问题，直接计算p(x|w1)和p(x|w2)的比值，不需要用到贝叶斯公式。

3.假定某同学使用Naive Bayesian（NB）分类模型时，不小心将训练数据的两个维度搞重复了，那么关于NB的说法中正确的是：BD

• A.这个被重复的特征在模型中的决定作用会被加强
• B.模型效果相比无重复特征的情况下精确度会降低
• C.如果所有特征都被重复一遍，得到的模型预测结果相对于不重复的情况下的模型预测结果一样。
• D.当两列特征高度相关时，无法用两列特征相同时所得到的结论来分析问题
• E.NB可以用来做最小二乘回归
• F.以上说法都不正确

4.下列哪些方法可以用来对高维数据进行降维:

• A. LASSO
• B. 聚类分析
• C. 小波分析法
• D. 线性判别法
• E. 拉普拉斯特征映射
• F.主成分分析法

各个降维方法总结： https://blog.csdn.net/qrlhl/article/details/78067012

---

链接：https://www.nowcoder.com/questionTerminal/b831a67809fa4ba19d8cf9ed98ff6a21
题目来源：牛客网