文档介绍：1以下几种模型方法属于判别式模型(Discriminative Model)的有()
混合高斯模型
条件随机场模型
区分度训练
4)隐马尔科夫模型
A 2,3 B 3,4 C1,4 D1,2
2、 Nave Bayes是一种特殊特比算法：用动态规划解决 HMM 的预测问题，不是参数估计前向后向算法：用来算概率
极大似然估计：即观测序列和相应的状态序列都存在时的监督学****算法，用来估计参数注意的是在给定观测序列和对应的状态序列估计模型参数，可以利用极大似然发估计。如果给定观测序列，没有对应的状态序列，才用EM，将状态序列看不不可测的隐数据。
5正确答案是：D,您的选择是：空
解析：之前的解析有些问题，特完善如下。
L1范数是向量中各个元素的绝对值之和，又叫稀疏规则算子。L1正则化通过向代价函数中添加权重向量的L1 范数（即正则化项），使得优化后的模型中无用特征对应的权值变为0，相当于减少了特征维数，实现了特征的自动选择，所以 LR 中加入 L1 范数可以进行特征选择、解决维度灾难问题、加快计算速度；
L2范数是向量中各个元素平方和的1/2次方。L2正则化通过向代价函数中添加权重向量的L2范数，使得优化后的模型中所有的权值 w 尽可能趋于 0 但不为 0，通过 L2 范数，可以实现对模型空间的限制，从而在一定程度上避免了过拟合；
过拟合的时候，拟合函数需要顾忌每一个点，最终形成的拟合函数波动很大，在某些小区间里，函数值的变化很大，也就是 w 非常大。所以 LR 中加入 L2 范数可以在一定程度上防止过拟合；
在 LR 中同时加入 L1 和 L2 范数不会产生结果更准确的效果。
6正确答案是：A,您的选择是：空
解析：
L1 正则化偏向于稀疏,它会自动进行特征选择,去掉一些没用的特征,也就是将这些特征对应的权重置为0.
L2 主要功能是为了防止过拟合,当要求参数越小时,说明模型越简单,而模型越简单则,越趋向于平滑,从而防止过拟合。
L1正则化/Lasso
L1正则化将系数w的11范数作为惩罚项加到损失函数上，由于正则项非零，这就迫使那些弱的特征所对应的系数变成0。因此L1正则化往往会使学到的模型很稀疏（系数w经常为0）,这个特性使得L1正则化成为一种很好的特征选择方法。
L2 正则化/Ridge regression
L2正则化将系数向量的L2范数添加到了损失函数中。由于L2惩罚项中系数是二次方的，这使得L2和L1有着诸多差异，最明显的一点就是，L2正则化会让系数的取值变得平均。
对于关联特征，这意味着他们能够获得更相近的对应系数。还是以Y=X1+X2为例，假设X1和X2具有很强的关联，如果用L1正则化，不论学到的模型是Y=X1+X2还是Y=2X1，惩罚都是一样的，都是2alpha。但是对于L2来说，第一个模型的惩罚项是2alpha，但第二个模型的是4*alpha。可以看出，系数之和为常数时，各系数相等时惩罚是最小的，所以才有了 L2会让各个系数趋于相同的特点。
可以看出，L2正则化对于特征选择来说一种稳定的模型，不像L1正则化那样，系数会因为细微的数据变化而波动。所以L2正则化和L1正则化提供的价值是不同的，L2正则化对于特征理解来说更加有用：表示能力强的特征对应的系数是