- 博客(8)
- 收藏
- 关注
RSS订阅原创 机器学习面试笔记整理8-GBDT
机器学习面试笔记整理8-GBDT算法思想优缺点面试问题收集算法思想在损失函数loss负梯度方向，利用残差逼近的方式去拟合一颗CART，不断迭代后，最后累加 所有CART。优缺点面试问题收集...
2019-03-31 19:22:54
467
原创 机器学习面试笔记整理7-Adaboost
机器学习面试笔记整理7-Adaboost算法思想优缺点面试问题收集算法思想上一轮样本分布—>基分类器进行学习—>误差率—>分类器权重—>更新样本权重优缺点优点：1.可使用不同分类器（LR,DT…）作为基分类器2.精度高缺点：1.对异常值敏感2.基分类器数目（迭代次数）不好设定3.对样本不平衡敏感面试问题收集1. 样本、分类器权重如何确定的？根据上一...
2019-03-31 15:46:46
530
原创 机器学习面试笔记整理6-随机森林
机器学习面试笔记整理6-随机森林算法思想优缺点面试问题收集算法思想随机采样->随机特征->多棵决策树->多数投票(分类)/取平均值(回归)优缺点优点：并行随机性的引入，增加了多样性，泛化能力非常强，抗噪声能力强，对缺失值不敏感；可省略交叉验证，因随机采样；并继承决策树有的优点，包括：（1）可得到特征重要性排序，因此可做“特征选择”；（2）可处理高维特征，且不...
2019-03-31 15:37:26
2358
原创 机器学习面试笔记整理5-Boosting/Bagging
机器学习面试笔记整理5-Boosting/Bagging算法思想优缺点面试问题收集算法思想多个分类器组合构成一个效果更好的分类器，按照某种规则将各个学习结果进行整合。优缺点优点：1.高精度2.简单，不用特征筛选3.不易过拟合缺点：1.对异常敏感面试问题收集1. bagging为什么能减小方差？首先从方差的定义来看，是各预测值与期望预测之差平方的期望，那Bagging输出结果...
2019-03-31 15:12:15
390
原创 机器学习面试笔记整理4-支持向量机
机器学习面试笔记整理4-支持向量机算法思想优缺点面试问题收集算法思想基于合页损失找到一条最佳分离边界，能把最难分的点（支持向量）分得间隔最大。优缺点优点：1.泛化能力高2.利用核技巧对非线性样本分类3.SVM 的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数，可解决高维问题，这在某种意义上避免了“维数灾难”。4少数支持向量决定了最终结果...
2019-03-30 17:07:12
360
原创 机器学习面试笔记整理2-逻辑回归
机器学习面试笔记整理2-逻辑回归算法思想优缺点应用面试问题收集算法思想假设数据服从伯努利分布，在训练数据集中基于对数似然函数，利用梯度下降，找出最佳拟合曲线（最佳分类线θTxθ^TxθTx），通过sigmoid输出的概率值将现有样本进行分类。优缺点优点：1.简单高效，计算量小2.以概率形式输出，也因此可做ranking model3.可解释性强，可控度高（因每个特征的theta权重都...
2019-03-30 14:59:04
476
原创 机器学习面试笔记整理1-朴素贝叶斯
机器学习面试笔记整理1-朴素贝叶斯算法思想优缺点应用面试问题收集算法思想利用训练数据集求得联合概率分布p(x,y)，然后计算后验概率分布p(y|x),最后进行分类argmaxp(y|x)。优缺点优点：1.可增量，by计数修正2.简单且对缺失数据不敏感3.简单高效，训练过程超快4.多分类同样有效，且复杂度不会大幅度上升5.对于类别类的输入特征变量，效果非常好6.调参少7.泛化能...
2019-03-30 10:06:21
368
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人