[SOLVED] IEOR4525 Fall 2021 Final Python

IEOR4525 Fall 2021 Final

December 17, 2021

1 Feed–forward Neural Networks (22 pts)

1.1    Architecture and Computation (10 pts)

Consider a network with a single hidden layer. Following information is given to you:

•  data: x ∈ Rdi    and y ∈ Rdo

• hidden vector: h(1) ∈ Rn

• output vector: ˆ(y) ∈ Rdo

•  activation function: σ (applied to the hidden layer (i.e.  from input to hidden vector), but NOT to the output layer (i.e. from hidden vector to output) of the network)

Let W (1) , b(1)  denote the weight and bias in the hidden layer, and W (2) , b(2)  denote the weight and bias in the output layer.

1.  (4 pts) Specify the shape of the network’s parameters W (1) , b(1) , W (2) , b(2) .

2.  (2 pts) Compute the total number of trainable parameters in this network.

3.  (2 pts) Specify the forward pass computation, including how to compute the hidden vector h(1)  and output vector ˆ(y) of the network.

4.  (2 pts) Compute the computational complexity  (using big-O notation) of the forward pass, for the single data point (x,y).

1.2 Activation Functions (12 pts)

1.  (4 pts) Write out the function expressions for the sigmoid and ReLU activations, respectively.

2.  (6 pts) ”Leaky ReLU” is another kind of activaition that is similar to ReLU, with the expression

for some small value α > 0.  Write out the derivatives of sigmoid, ReLU, and leaky ReLU, respectively.

3.  (2  pts) By comparing the derivatives of ReLU and leaky ReLU, what do you think could be the potential advantage of using leaky ReLU, rather than ReLU, in a neural network model.  Explain why you think so.  (Hint:  think about how the derivative of the activation function influences the whole backpropagation process.)

2 PCA (16 pts)

Consider the following 3 data points in R2 : x1  = (−1, −1), x2  = (0, 0), x3  = (1, 1).

1.  (4 pts) Show the first principal component of the dataset.

2.  (6  pts) Now consider projecting each data point onto the subspace spanned by the first principal component.  What are the coordinates of each data point in this space?  And what is the variance of the projected data?

3.  (6 pts) Now let us see how well 1-d PCA captures the original data.  For each data point, compute the square difference between its representation in terms of the first principal component and its original form.

3 Matrix Completion (16 pts)

Let Ω be the subset of observed indices for a matrix completion problem.   Recall the following matrix completion optimization problems:

Suppose we are given the following partially-observed matrix Suppose we solve

with r = 1. Is there a unique solution? If yes, what is it? If not, explain why.

2. (8 pts) Suppose we are given the same matrix as in the previous question, and we solve (1) with r = 2.
Is there a unique solution? If yes, what is it? If not, explain why.

4 Clustering (16 pts)

1.  (2 pts) Write a high-level description of the repeated steps performed by the k-means algorithm.

2.  (8 pts) Let’s consider the data points 1, 2, 9, 12, 20 ∈ R and the Euclidean distance.  Apply the k-means algorithm with the following values for k and the following initializations. Write down all the steps.

(a)  μ 1  = 1, μ2  = 20, k = 2 (b)  μ 1  = 9, μ2  = 12, k = 2 (c)  μ 1  = 1, μ2  = 2, k = 2

3.  (6 pts) Hierarchical clustering:

With the same data points as before, write down the iterations for the hierarchical clustering algorithm in the following cases:

(a)  Agglomerative hierarchical clustering with single linkage

(b)  Agglomerative hierarchical clustering with complete linkage

5 Tree–based Methods and Boosting (30 pts)

5.1 Decision Tree (5 pts)

Figure 1 shows a dataset with 4 data points. Each data point in the dataset has two inputs features x and y, and a positive (+) or negative (−) label, as depicted in the figure.  Draw a decision tree which correctly classifies each data point in the dataset.  (Note:  you need to draw the diagram of the decision tree in your answer. Please do NOT simply draw the decision boundary in Figure 1.)

Figure 1: Example data set

5.2 Universality of Decision Trees (10 pts)

1.  Show that any binary classifier g : {0, 1}D  → {0, 1} can be implemented as a decision tree classifier. That is, for any classifier g there exists a decision tree classifier T with k nodes n1 , . . . , nk   (each ni with a corresponding threshold ti  ), such that g(x) = T(x) for all x ∈ {0, 1}D .

2. What is the best possible bound one can give on the maximum height of such a decision tree T (from part one)? Give an example of g that achieves this bound.

5.3 Boosting (15 pts)

Figure 2: Sample training data for boosting algorithm

We here study how boosting algorithm behaves on a very simple classification dataset shown in Figure 2. We use decision stump for each weak classifier hi.  Decision stump classifier chooses a constant value c and classifies all points where x > c as one class and other points where x ≤ c as the other class.

1.  (3 pts) What is the initial weight for each data point?

2.  (3 pts) Suppose that the decision stump is trained to minimize the classification error. Write down the decision boundary for the first decision stump. Indicate the positive and negative side of the decision boundary.  (There might be multiple valid decision stumps for this problem.  You only need to write one, and use it for the following questions.)

3.  (3 pts) Write down the point whose weight increases during the first iteration of the boosting process.

4.  (3 pts) Write down the weight that is assigned to each data point at the end of the first iteration of boosting algorithm.

5.  (3 pts) Can boosting algorithm perfectly classify all the data points shown in Figure 2?  If no, briefly explain why. If yes, what is the minimum number of iterations?