- 线性模型公式推导
- 逻辑回归公式推导
- 优化方法有哪些?
- 为什么牛顿法比梯度下降收敛快?
- 梯度下降的步长怎么确定?
- 逻辑回归分类的优缺点?
- 逻辑回归和SVM的对比?
- ID3算法的公式?优缺点?
- C4.5算法的公式?优缺点?
- CART算法的公式?优缺点?
- 连续值怎么处理?
- 剪枝的过程
- SVM公式推导
- SVM软间隔与正则化的关系
- 什么是hinge loss?
- SVM中参数C的作用?
- SVM的优缺点?
- 软间隔为什么要求分类全部正确?
- 描述核方法的作用
- 朴素贝叶斯的公式推导
- 怎么理解朴素?
- 平滑是什么?
- 正则化的作用是什么?
- L1、L2正则化的区别?
- 为什么L1正则化产生稀疏解?
- adaboost的思路?
- GBDT公式推导
- GBDT和CART树区别
- GBDT和xgboost的区别
- 什么是随机森林?
- 归一化的作用?
- 机器学习项目的完整流程
- 特征工程有哪些方法?
- 数据清洗有哪些方法?
1、偏差、方差、交叉验证
https://www.jianshu.com/p/8d01ac406b40
28.GBDT和CART树区别
https://www.cnblogs.com/peizhe123/p/6105696.html