本文详细探讨了机器学习中的关键概念，包括逻辑回归与线性回归的对比、正则化、损失函数、决策树、GBDT、SVM、PCA等，并深入讲解了神经网络中的LSTM、激活函数、过拟合解决方案、优化方法等。此外，还讨论了数据增强、梯度消失与爆炸以及训练不收敛的原因。
题目来源：
作者：xfcherish
链接：https://www.nowcoder.com/discuss/65323?type=0&order=0&pos=50&page=1
如果本文有什么错误，欢迎指出，感激不尽！！！
<1> 逻辑回归和线性回归对比有什么优点？
可以用于分类任务，速度快，能容易地更新模型吸收新的数据。
<2> 逻辑回归可以处理非线性问题吗？
不可以，仅能用于线性问题。只有当目标和特征是线性关系时，才能用逻辑回归。在应用逻辑回归时注意两点：一是当知道模型是非线性时，不适用逻辑回归；二是当使用逻辑回归时，应注意选择和目标为线性关系的特征。
<3> 分类问题有哪些评价指标？每种的适用场景。
https://www.cnblogs.com/zhaokui/p/ml-metric.html
<4> 讲一下正则化，L1和L2正则化各自的特点和适用场景。
深度学习可能存在过拟合问题——高方差，有两个解决方法，一个是正则化，另一个是准备更多的数据，这是非常可靠的方法，但你可能无法时时刻刻准备足够多的训练数据或者获取更
最低0.47元/天 解锁文章
扫一扫
1704
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
