TL;DR HW3 是純 written 作業，以 decision tree 回顧，再比較 K-NN、Perceptron 與 Linear Regression 的 inductive bias、誤差與 model selection。
系列:
CMU 10-301 機器學習完整課程導讀
(3 / 10)
官方 handout 完整題名是 Homework 3: Decision Trees, K-NN, Perceptron, Regression，是純 written 作業。主要題組是 decision tree revisited、regression tree、k-nearest neighbors、perceptron 與 linear regression；題內再處理 overfitting、error rates 與 model selection。ZIP 只有 PDF、LaTeX template 與題目圖檔，沒有 starter code、dataset 或 reference output。
不要把它讀成四份公式表
這份作業的主線是：同一批資料換一種 representation 或 decision boundary，哪個模型會先失敗？K-NN 的距離、perceptron 的線性可分性、regression 的 loss，以及 tree 的切分偏好，都在回答不同問題。
第一個檢查動作與完成判準
這份作業沒有安全且必要的第一個程式命令。第一個動作是打開 PDF／LaTeX bundle，先列出五個題組各自依賴的假設，再開始計算。完成判準是每題同時有結果與假設說明，並能對 XOR、含離群值直線、高維稀疏點預測各模型行為；因官方未提供答案，不能把自行推導稱為官方驗證。
參考資料
Glossary
Loading...