一、推断题(1）极大似然估量是无偏估量且在所有的无偏估量中方差最小，所以极大似然估量的风险最小.（2)回归函数 A 和 B,假如 A 比 B 更简单,则 A 几乎一定会比 B 在测试集上表现更好。(3）全局线性回归需要利用全部样本点来预测新输入的对应输出值，而局部线性回归只需利用查询点附近的样原来预测输出值。所以全局线性回归比局部线性回归计算代价更高.（4)Boosting 的一个优点是不会过拟合。(5）在回归分析中，最佳子集选择可以做特征选择,当特征数目较多时计算量大；岭回归和 Lasso 模型计算量小，且 Lasso 也可以实现特征选择.(6）梯度下降有时会陷于局部微小值，但 EM 算法不会。(7)支持向量机是判别模型。T（8）ICA 方法对于高斯分布的数据也有效.F（9)回归问题属于非监督学习的一种方法。F（10)聚类算法中不需要给出标签 y.T二、考虑一个二分类器问题（Y 为 1 或 0），每个训练样本 X 有两个特征X1、X2（0 或 1)。给出 P(Y=0)=P（Y=1）=0。5,条件概率如下表：分 类 器 预 测 的 结 果 错 误 的 概 率 为 期 望 错 误 率 ,Y 是 样 本 类 别 的 实 际 值 ，Y'(X1，X2)为样本类别的预测值，那么期望错误率为：（1）给出 X1,X2 的所有可能值，使用贝叶斯分类器预测结果，填写下表：X1X2P（X1，X2，Y=0）P（X1,X2，Y=1）Y’ （ X1 ， X2）00011011（2）计算给定特征(X1，X2）预测 Y 的期望错误率,假设贝叶斯分类器从无限的训练样本中学习所得。（3）下面哪个有更小的期望错误率？a、仅仅给出 X1，采纳贝叶斯分类器预测 Y。b、仅仅给出 X2,采纳贝叶斯分类器预测 Y。（4）给 出 一 个 新 的 特 征 X3 ， X3 的 与 X2 保 持 完 全 相 同 , 现 在 计 算 给 定（X1，X2，X3)采纳贝叶斯分类器预测 Y 的期望错误率，假设分类器从无限的训练数据中学习所得。（5）使用贝叶斯分类器会产生什么问题,为什么?三、交叉验证1、4。 给定如下数据集，其中为输入变量，为输出变量.假设考虑采纳 k—NN 算法对对应的进行预测,其中距离度量采纳不加权的欧氏距离。（12 分）（1）算法 1-NN 的训练误差的是多少？（用分类错误的样本数目表示即可，下同)（2）算法 3-NN 的训练误差是多少?（3）算法 1—NN 的 LOOCV（留一交叉验证）估量误差是多少？ （4）算法 3—NN 的 LOOCV（留一交叉验证)估量误差是多少？四、用最大似然估量的方法估量高斯分布的均值和方差,并指出其局限性。五、随着信息化的进展，大数据的时代已经到来。海量的文本、图像、视频数据存在于互联网上，请结合自己的科研背景和兴趣，探讨机器学习方法如何在大数据分析、处理中应用.（20 分)
