计算机视觉+人工智能面试笔试总结——深度学习基础

目录

1.欧氏距离

2.余弦相似度

3.余弦相似度和欧氏距离的区别

4.容量、欠拟合和过拟合

5.正则化方法

6.超参数和验证集

7.估计、偏差和方差

8.随机梯度下降算法

---

1.欧氏距离

        在欧几里得空间中，欧式距离其实就是向量空间中两点之间的距离。点 x = (x_{1}, ..., x_{n}) 和 y = (y_{1}, ..., y_{n}) 之间得欧氏距离计算公式如下：
       d(x,y) = sqrt {((x_{1}-y_{1})^{2} + (x_{2}-y_{2})^{2} + ... + (x_{n}-y_{n})^{2})}

2.余弦相似度

       通过对两个文本分词，`TF-IDF` 算法向量化，利用空间中两个向量的夹角，来判断这两个向量的相似程度：(`计算夹角的余弦，取值 0-1`)

+ 当两个向量夹角越大，距离越远，最大距离就是两个向量夹角 180°；
+ 夹角越小，距离越近，最小距离就是两个向量夹角 0°，完全重合。
+ 夹角越小相似度越高，但由于有可能一个文章的特征向量词特别多导致整个向量维度很高，使得计算的代价太大不适合大数据量的计算。
 

3.余弦相似度和欧氏距离的区别

+ 欧式距离和余弦相似度都能度量 `2` 个向量之间的相似度
+