算法常见问题小结

1.LR与SVM联系与区别

联系：
1.LR与SVM都可以处理分类问题，尤其是处理二分类。
2.都可以用来做非线性分类。
3.本身都是属于线性模型。
4.都是判别模型。

区别
1.LR采用的目标函数是logistical loss，SVM采用的是hinge loss。
2.LR是经验风险最小，而SVM是结构风险最小。
3.LR是参数模型，而SVM是非参数模型。
4.LR依赖数据的分布，而SVM不依赖数据分布，只与支持向量的几个点有关系。
5.SVM很依赖乘法系数，需要做cross validation。

SVM算法对大规模训练样本比较耗时，SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算(m为样本的数量)，当m很大时候该矩阵的计算存储都比较费劲。

当SVM用于多分类时，可以一对多，一对一，还有SVM决策树。同时，SVM对缺失数据敏感，对参数和核函数的选择敏感。

SVM详细介绍
https://zhuanlan.zhihu.com/p/31886934

2.cnn相关

CNN最成功的应用是在CV，那为什么NLP和Speech的很多问题也可以用CNN解出来？为什么AlphaGo里也用了CNN？这几个不相关的问题的相似性在哪里？CNN通过什么手段抓住了这个共性？

1.以上几个不相关问题的相关性在于，都存在局部与整体的关系，由低层次的特征经过组合，组成高层次的特征，并且得到不同特征之间的空间相关性。

CNN抓住此共性的手段主要有四个：局部连接／权值共享／池化操作／多层次结构。
局部连接使网络可以提取数据的局部特征；权值共享大大降低了网络的训练难度，一个Filter只提取一个特征，在整个图片（或者语音／文本） 中进行卷积；池化操作与多层次结构一起，实现了数据的降维，将低层次的局部特征组合成为较高层次的特征，从而对整个图片进行表示。

3.解决梯度消失与梯度爆炸

梯度消失：
根据链式法则，如果每一层神经元对上一层的输出的偏导乘上权重结果都小于1的话，那么即使这个结果是0.99，在经过足够多层传播之后，误差对输入层的偏导会趋于0。
可以采用ReLU激活函数有效的解决梯度消失的情况。

梯度爆炸

根据链式法则，如果每一层神经元对上一层的输出的偏导乘上权重结果都大于1的话，在经过足够多层传播之后，误差对输入层的偏导会趋于无穷大。
可以通过激活函数来解决。