下载掌阅APP，畅读海量书库
立即打开
1．请用MATLAB优化工具中的fminuc求解器解决下列带非线性约束的规划问题。
2．如果第1题中的目标函数改为最大化，该如何解决？试着再次用MATLAB优化工具来解决。
3．请使用MATLAB优化工具中的fminuc求解器解决下列问题：
4．在多元线性回归中，如果输入特征的量纲不同即特征的取值范围相差很大，那么会对模型造成什么影响？
5．sklearn.datasets模块包含许多可供使用的数据集
，下面请使用datasets的diabetes和linnerud数据集分别训练多元线性回归模型，输出模型参数并在测试集中对其进行评价。
6．已知火灾面积与诸多因素有关
，收集的数据如表3.8所示。
表3.8 火灾数据表（部分）
请下载完整的数据表forestfires.csv
，结合下述代码训练一个能够预测火灾面积的线性回归模型。
注意： 使用pandas包导入csv文件时默认的变量类型为dataframe。在Jupyter和Spyder的变量窗口中可以相当方便地查看dataframe数据，请读者善加利用。
7．Ridge回归通过在风险函数中加入__________项，从而缓解__________。
8．评估一个计算机CPU的相对性能可以根据计算机时钟周期、内存容量、Cache容量等来估计，下面收集了计算机的相对性能（ERP）与上述特征的数据表，如表3.9所示。
表3.9 计算机相对性能与特性（部分）
请下载数据machine_perform.xlsx，训练一个多元线性回归模型并对其进行评价，必要时可以使用Ridge回归。
提示： 用pandas读取XLSX文件的代码为pandas.read_excel(r'文件路径')。
9．如图3.25所示，试判断哪几个样本是线性可分的？
10．XOR（异或）属于线性可分问题吗？可否用线性分类器？为什么？
11．在图3.25中，哪些数据集可以用逻辑回归进行分类？
图3.25 问题9的样本
12．逻辑回归属于__________分类器，适用于解决线性__________（可分/不可分）问题，在误差允许的条件下，也可以解决__________问题。
13．请画出3.4.4节中准确率-回报率曲线。
14．KNN算法属于__________（线性/非线性）分类器。
15．在3.4.4节的案例中，阈值b应如何确定？
16．使用逻辑回归解决2.5.3节中的军团识别问题。
17．使用Sklearn模块里datasets包中内置的数据集breast_cancer训练一个用于乳腺癌诊断的逻辑回归模型，选择合适的阈值b并进行评价。
18．请用以下代码产生90∶10的比例的数据集，并使用至少10种方法解决类别不均衡问题。同时尝试画出处理后的数据。
X,y=make_classification(n_samples=1000,n_features=2, n_redundant=0,weights=(0.90,0.10),random_state=37)
19．机器学习在医学中的一个重要应用为假定诊断。例如，在2020年新型冠状病毒的诊断中，为了降低医院工作者的负担，一些学者们提出了用机器学习的方法，根据疑似患者的一些病理特征，如体温、是否恶心、是否疼痛等来预断病人是否患病。为了训练出机器学习模型，学者们收集了诸多患者数据，如表3.10所示。
表3.10 新型冠状病毒患者数据（部分示例）
请下载数据diagnosis.xlsx，设计一个逻辑回归模型并在测试集上进行评价。
提示： 先将(yes,no)转为(1,0)，实现代码见code_in_q19。
20．什么是类别不均衡？会造成什么样的后果？解决方法有哪些？
21．在3.4.5节的欠采样实例中，可以看到多数类个体数从942降低到了826，虽然如此，数据集还是存在严重的不均衡问题，有些读者可能会想到通过重复多次欠采样来降低多数类个体数。请思考这样做可行吗？请提出自己的解决方案。
22．已知给汽车评分可以从价格、汽车大小和性能等指标入手，评价一辆车是否物有所值。现在收集的数据如表3.11所示。
表3.11 汽车评价数据（部分）
各变量的取值范围为：总体价格和保养要求为（low, med, high, vhigh）；车门数为（2,3,4,5more）；核载人数为（2,4,more）；车厢大小为（small, med, big）；安全性为（low, med,high）；评分为（unacc, acc, good, vgood）。
请下载数据集car.xlsx，训练一个多分类逻辑回归模型。数据处理部分的参考代码如下。
#使用pandas读取文件，注意修改路径
cars_df=pd.read_excel(r'D:\桌面\我的书\chapter03\数据集\car.xlsx')
#定义字典，用于替换文字
buying_maint_safety={'low':0,'med':1,'high':2,'vhigh':3}
doors={'5more':5}
persons={'more':6}
boot={'small':0,'med':1,'big':2}
cars_df['总体价格']=cars_df['总体价格'].replace(buying_maint_safety)
cars_df['保养要求']=cars_df['保养要求'].replace(buying_maint_safety)
cars_df['安全性']=cars_df['安全性'].replace(buying_maint_safety)
cars_df['车门数']=cars_df['车门数'].replace(doors)
cars_df['核载人数']=cars_df['核载人数'].replace(persons)
cars_df['车厢大小']=cars_df['车厢大小'].replace(boot)
cars=np.array(cars_df)