统计学习方法（第二版）习题解答

李航老师的《统计学习方法》是机器学习领域的经典入门教材之一。
本书分为监督学习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔科夫链蒙特卡罗法、潜在狄利克雷分配和PageRank算法等。本书通过第1章、第12章、第13章、第22章进行总结，其余每章都介绍一种统计学习方法。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。

使用说明

统计学习方法习题解答，主要完成了该书的前11章习题，并提供代码和运行之后的截图，里面的内容是以统计学习方法的内容为前置知识，该习题解答的最佳使用方法是以李航老师的《统计学习方法》为主线，并尝试完成课后习题，如果遇到不会的，再来查阅习题解答。
如果觉得解答不详细，可以点击这里提交你希望补充推导或者习题编号，我们看到后会尽快进行补充。

在线阅读地址

在线阅读地址：https://datawhalechina.github.io/statistical-learning-method-solutions-manual

选用的《统计学习方法》版本

书名：统计学习方法
作者：李航
出版社：清华大学出版社
版次：2019年5月第2版
勘误表：http://blog.sina.com.cn/s/blog_7ad48fee0102yjdu.html

参考文献

Notebook运行环境配置

Python版本
请使用python3.7.X，如使用其他版本，requirements.txt中所列的依赖包可能不兼容。
安装相关的依赖包
```
pip install -r requirements.txt
```
安装graphviz（用于展示决策树）
可参考博客：https://blog.csdn.net/HNUCSEE_LJK/article/details/86772806
docsify框架运行
```
docsify serve ./docs
```

协作规范

由于习题解答中需要有程序和执行结果，采用jupyter notebook的格式进行编写（文件路径：notebook/notes），然后将其导出成markdown格式，再覆盖到docs对应的章节下。
目前已完成前11章习题解答，需要进行全部解答校对。
可按照Notebook运行环境配置，配置相关的运行环境。
校对过程中，关于数学概念补充，尽量使用初学者（有高数基础）能理解的数学概念，如果涉及公式定理的推导和证明，可附上参考链接。
当前进度

章节号	标题	进度	负责人	审核人
1	统计学习方法概论	已完成	胡锐锋、毛鹏志	王维嘉、毛鹏志、范佳慧
2	感知机	已完成	胡锐锋	毛鹏志、范佳慧、王天富、王茸茸
3	k近邻法	已完成	胡锐锋	王维嘉、毛鹏志、王茸茸
4	朴素贝叶斯法	已完成	胡锐锋、王维嘉	王瀚翀、王天富、王茸茸
5	决策树	已完成	胡锐锋、王维嘉	王瀚翀、王天富、王茸茸
6	Logistic回归与最大熵模型	已完成	胡锐锋	毛鹏志、范佳慧、王瀚翀
7	支持向量机	已完成	胡锐锋、王茸茸	王维嘉、王瀚翀、王天富
8	提升方法	已完成	胡锐锋、王茸茸	王维嘉、毛鹏志、王瀚翀
9	EM算法及其推广	已完成	胡锐锋	毛鹏志、范佳慧、王瀚翀、王茸茸
10	隐马尔可夫模型	已完成	胡锐锋、王瀚翀	王维嘉、范佳慧、王天富、王茸茸
11	条件随机场	已完成	胡锐锋、王瀚翀	王维嘉、范佳慧、王天富

主要贡献者

@胡锐锋-天国之影-Relph
@王维嘉-king-vega
@王茸茸-CiCi-futurewq
@王瀚翀-MSQ-ERIC
@毛鹏志

项目结构

codes----------------------------------------------习题代码
|   +---ch02---------------------------------------第2章习题解答代码
|   |   +---perceptron.py--------------------------习题2.2（构建从训练数据求解感知机模型的例子）
|   +---ch03---------------------------------------第3章习题解答代码
|   |   +---k_neighbors_classifier.py--------------习题3.1（k近邻算法关于k值的模型比较）
|   |   +---kd_tree_demo.py------------------------习题3.2（kd树的构建与求最近邻点）
|   |   +---my_kd_tree.py--------------------------习题3.3（用kd树的k邻近搜索算法）
|   +---ch05---------------------------------------第5章习题解答代码
|   |   +---k_neighbors_classifier.py--------------习题5.1（调用sklearn的DecisionTreeClassifier类使用C4.5算法生成决策树）
|   |   +---my_decision_tree.py--------------------习题5.1（自编程实现C4.5生成算法）
|   |   +---my_least_squares_regression_tree.py----习题5.2（最小二乘回归树生成算法）
|   +---ch06---------------------------------------第6章习题解答代码
|   |   +---my_logistic_regression.py--------------习题6.2（实现Logistic回归模型学习的梯度下降法）
|   |   +---maxent_dfp.py--------------------------习题6.3（最大熵模型学习的DFP算法）
|   +---ch07---------------------------------------第7章习题解答代码
|   |   +---svm_demo.py----------------------------习题7.2（根据题目中的数据训练SVM模型，并在图中画出分离超平面、间隔边界及支持向量）
|   +---ch08---------------------------------------第8章习题解答代码
|   |   +---adaboost_demo.py-----------------------习题8.1（使用sklearn的AdaBoostClassifier分类器实现）
|   |   +---my_adaboost.py-------------------------习题8.1（自编程实现AdaBoost算法）
|   +---ch09---------------------------------------第9章习题解答代码
|   |   +---three_coin_EM.py-----------------------习题9.1（三硬币模型的EM算法）
|   |   +---gmm_demo.py----------------------------习题9.3（使用GaussianMixture求解两个分量高斯混合模型的6个参数）
|   |   +---my_gmm.py------------------------------习题9.3（自编程实现求两个分量的高斯混合模型的5个参数）
|   +---ch10---------------------------------------第10章习题解答代码
|   |   +---hidden_markov_backward.py--------------习题10.1（隐马尔可夫模型的后向算法）
|   |   +---hidden_markov_forward_backward.py------习题10.2（隐马尔可夫模型的前向后向算法）
|   |   +---hidden_markov_viterbi.py---------------习题10.3（隐马尔可夫模型的维特比算法）
|   +---ch11---------------------------------------第11章习题解答代码
|   |   +---crf_matrix.py--------------------------习题11.4（使用条件随机场矩阵形式，计算所有路径状态序列的概率及概率最大的状态序列）
docs---------------------------------------习题解答
notebook-----------------------------------习题解答JupyterNotebook格式
requirements.txt---------------------------运行环境依赖包

感谢

感谢毛鹏志同学，完善了第1章习题1.1和第2章习题2.3的解答修订
感谢耿远昊同学，指出了第7章习题7.4的解答问题，并完善了该题的解答

关注我们

扫描下方二维码关注公众号：Datawhale

Datawhale，一个专注于AI领域的学习圈子。初衷是for the learner，和学习者一起成长。目前加入学习社群的人数已经数千人，组织了机器学习，深度学习，数据分析，数据挖掘，爬虫，编程，统计学，Mysql，数据竞赛等多个领域的内容学习，微信搜索公众号Datawhale可以加入我们。

LICENSE

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。

XIADENGMA/statistical-learning-method-solutions-manual