马尔可夫链、鸢尾花分类与神经网络探索

1、验证对于一个转移矩阵，如果α、β和γ中有任意两个同时为零，则存在一个吸收态，但马尔可夫链本身不是吸收性的。

若α、β 和 γ 中有任意两个同时为零，转移矩阵对角线上会出现 1，意味着无法离开该状态，此状态为 吸收态 。然而，另外两个状态会相互转变，不会转移到吸收态，即并非每个状态都有非零概率到达吸收态，所以该马尔可夫链 不是吸收性的 。

2、对鸢尾花属的山鸢尾（iris setosa）和弗吉尼亚鸢尾（iris virginica）进行分类，并且使用所有样本进行训练。探索分类算法在不同物种对以及使用较小数据集进行训练时的性能。

可通过以下步骤探索算法性能：

1. 选择不同物种对：从鸢尾花的三个物种（山鸢尾、变色鸢尾、弗吉尼亚鸢尾）中选取不同的两两组合，如（山鸢尾，变色鸢尾）、（山鸢尾，弗吉尼亚鸢尾）、（变色鸢尾，弗吉尼亚鸢尾）。
2. 选取较小数据集：从每个物种的样本中选取部分样本作为训练集，如选取每个物种的前20个、30个或40个样本。
3. 选择算法：使用合适的分类算法，如决策树分类器、支持向量机等。
4. 训练和评估：使用选定的较小数据集对算法进行训练，并使用测试集评估算法的性能，可使用准确率、召回率、F1值等指标。
5. 分析结果：对比不同物种对和不同大小训练集下算法的性能，找出性能较好的组合和规律。

3、为什么说神经网络最好通过计算来探索，尝试不同架构、研究不同层和神经元能带来哪些见解？

通过计算来探索神经网络

尝试不同架构、研究不同层和神经元能带来以下见解：

• 了解不同架构对模型性能的影响
  如不同的层结构和神经元数量如何影响模型的准确率、训练速度等。

• 明白不同层在特征提取和信息处理中的作用
  例如：

• 输入层接收数据 <