机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

614

附录 A

课后练习题解答

有关代码练习的解答，请参见

https://github.com/ageron/handson-ml2

上的在

线 Jupyter notebook。

第 1 章：机器学习概览

1.　机器学习是关于构建可以从数据中学习的系统。学习意味着在一定的性能指标下，

在某些任务上会变得越来越好。

2.　机器学习非常适合没有算法解答的复杂问题，它可以替代一系列需要手动调整的规

则，来构建适应不断变化的环境的系统并最终帮助人类（例如，数据挖掘）。

3.　带标签的训练集是一个包含每个实例所需解决方案（也称为标签）的训练集。

4.　两个最常见的有监督任务是回归和分类。

5.　常见的无监督任务包括聚类、可视化、降维和关联规则学习。

6.　如果我们想要机器人在各种未知的地形中学习行走，则强化学习可能会表现最好，

因为这通常是强化学习要解决的典型问题。也可以将强化学习问题表示为有监督学

习或半监督学习问题，但这种情况不是很自然的想法。

7.　如果你不知道如何定义组，则可以使用聚类算法（无监督学习）将客户划分为相似

客户集群。但是，如果你知道你想要拥有哪些组，那么可以将每个组的许多实例提

供给分类算法（有监督学习），并将所有客户分类到这些组中。

8.　垃圾邮件检测是一个典型的有监督学习问题：向该算法提供许多电子邮件及其标签

（垃圾邮件或非垃圾邮件）。

9.　与批量学习系统相反，在线学习系统能够进行增量学习。这使得它能够快速适应不

课后练习题解答

｜

615

断变化的数据和自动系统，并能够处理大量数据。

10.　核外算法可以处理无法容纳在计算机主内存中的大量数据。核外学习算法将数据分 ...