第 1 页 / 共 19 页
第 2 页 / 共 19 页
第 3 页 / 共 19 页
第 4 页 / 共 19 页
第 5 页 / 共 19 页
第 6 页 / 共 19 页
第 7 页 / 共 19 页
第 8 页 / 共 19 页
第 9 页 / 共 19 页
第 10 页 / 共 19 页
第 11 页 / 共 19 页
第 12 页 / 共 19 页
第 13 页 / 共 19 页
第 14 页 / 共 19 页
第 15 页 / 共 19 页
第 16 页 / 共 19 页
第 17 页 / 共 19 页
第 18 页 / 共 19 页
第 19 页 / 共 19 页
机器学习（周志华）西瓜书期末复习(2022HENU)_单选题 (1分) 拉普拉斯修正不适用于以下哪种情况? 训练样本个数大于属性可能的取
机器学习（周志华）西瓜书期末复习(2022HENU)_单选题 (1分) 拉普拉斯修正不适用于以下哪种情况? 期末复习，各位同学，咱们的《机器学习》（周志华）西瓜书啃得怎么样了？ 别慌，这部分题目的核心就在于对拉普拉斯修正的理解。周志华老师在书中对拉普拉斯修正进行了详细的解释，它是一种用于处理高斯分布数据时，针对类别不平衡问题的一种修正方法。 简单来说，它通过调整高斯分布的均值和方差，使得样本分布更接近于正负样本的均衡状态，从而提升模型在少数类别上的识别能力。 具体而言，拉普拉斯修正会向少数类别添加少量正负样本，其参数（拉普拉斯常数）决定了添加样本的数量。 关键在于理解，拉普拉斯修正并非万能的，它并非适用于所有情况。 题目问：拉普拉斯修正不适用于以下哪种情况？ 训练样本个数大于属性可能的取 答案是训练样本个数大于属性可能的取值。 为什么呢？ 周志华老师在书中指出，当训练样本数量远大于属性可能的取值个数时，拉普拉斯修正的效果会显著下降。原因在于，过多的属性值意味着存在大量的“不常用”值，而拉普拉斯修正通过增加这些“不常用”值的样本来平衡类别，但当样本数量远大于属性值个数时，这种修正反而会引入过多的噪声，干扰模型的学习，导致精度下降。 这就像给一个已经足够“丰富”的画板上再涂抹，可能会丢失原有的重点。 因此，在实际应用中，应该根据具体数据情况，选择合适的机器学习方法。 务必牢记周志华老师的教诲，理解算法的原理，并灵活运用。 祝大家期末考试顺利！
展开
机器学习（周志华）
2025-07-21
8次阅读
资料获取方式
温馨提示：登录学霸英雄官网后可获取更多大学生必备科目和考证等复习备考资料！