本文整理了人工智能领域的面试热点，涵盖线性分类器与非线性分类器的区别、贝叶斯网络、因子图、朴素贝叶斯优缺点、生成式与判别式模型对比、马尔可夫网络等多个核心概念，深入探讨了这些模型的原理、应用场景及优缺点。此外，还涉及了EM算法、LDA模型、聚类算法的评估方法，为面试准备提供了全面的知识梳理。
目录
246.马尔可夫网络、马尔可夫模型、马尔可夫过程、贝叶斯网络的区别
241.线性分类器与非线性分类器的区别以及优劣
线性和非线性是针对模型参数和输入特征来讲的；比如输入x，模型y=ax+ax^2 那么就是非线性模型，如果输入是x和X^2则模型是线性的。
- 线性分类器可解释性好，计算复杂度较低，不足之处是模型的拟合效果相对弱些。
LR,贝叶斯分类，单层感知机、线性回归
- 非线性分类器效果拟合能力较强，不足之处是数据量不足容易过拟合、计算复杂度高、可解释性不好。
决策树、RF、GBDT、多层感知机
242.贝叶斯网络
贝叶斯网络(Bayesian network)，又称信念网络(Belief Network)，或有向无环图模型(directed acyclic graphical model)，是一种概率图模型，于1985年由Judea P
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
