My answers (i.e. ideas, code) for the book "Machine Learning (机器学习)" written by Prof. Zhou Zhihua.

ps. all the code exercises are implemented by Python in eclipse-pydev env.

for more info: welcome to my blog: PnYuan - 周志华《机器学习》习题解答 and CSDN - 周志华《机器学习》课后习题解答系列

练习包括(exercises include)：

• 支持向量分析实验(code here)；
• 支持向量机与BP网络/C4.5决策树对比实验（experiment of SVM/BP/C4.5）(code here)；
• 线性核SVM与LDA的关系（comparison of linear kernel SVM and LDA）；
• 高斯核SVM与RBF网络的关系（comparison of RBF kernel SVM and RBF net）；
• SVM对噪声敏感的原因（reason of noise-sensitive）；
• SVR实验（experiment of SVR）(code here)；
• 核对率回归设计（about kernel logistic regression - KLR）；

练习包括(exercises include)：

• 激活函数选择考虑（selection of activation function）；
• Sigmoid激活函数与对率回归的联系（the relationships between Sigmoid() and Logistic Regression）；
• BP算法推导（conduction of BP algorithm）；
• 学习率分析（analysis of learning rate in NN training）；
• 标准BP算法和累积BP算法对比实验（comparative experiment of BP）(code here)；
• BP算法改进（improvement of BP algorithm）(code here)；
• RBF神经网络实现（implementation of RBF network）(code here)；
• SOM神经网络实验（experiment of SOM network）(code here)；
• 卷积神经网络实验 - 字符识别（experiment of CNN on MNIST）(code here)；

练习包括(exercises include)：

• 决策树划分选择准则；
• 编程实现ID3算法（implementation of ID3）(code here)；
• 编程实现CART算法与剪枝操作（implementation of CART and pruning）(code here)；
• 多变量决策树生成方式（multivariate decision tree）；
• 非递归决策树生成方法（generation of decision - non-recursive approach using DFS/BFS）

练习包括(exercises include)：

• 分析偏置项b（bias terms）；
• 证明对数似然是凸函数（convex functions）；
• 编程实现对率回归（implementation of logistic regression）(code here)；
• 实验比较k-fold_CV和LOOCV（analysis of cross-validation）(code here)；
• 编程实现线性判别分析（implementation of LDA）（code here）；
• 线性判别分析的非线性拓展（nonlinear stretching of LDA）；
• 最优ECOC编码方式；
• 多分类到二分类分解时类别不平衡的考虑（class-imbalance）。

练习包括(exercises include)：

• 分层抽样(stratified sampling)划分训练集与测试集；
• 留一法(leave-one-out)与k-折交叉验证法(k-fold cross validation)比较;
• F1值与BEP的关联;
• TPR、FPR、P、R之间的关联;
• AUC推导;
• 错误率与ROC的关系
• ROC曲线与代价曲线(cost-curve)的对应关系;

练习包括(exercises include)：

• 求版本空间(version space)；
• 析合范式(disjunctive normal form)提升假设空间(hypothesis space)；
• 噪声环境(noise)下归纳偏好(inductive bias)考虑；