本文详细探讨了机器学习面试中的关键点，包括特征工程的归一化和SVD、PCA，模型评估方法与超参数调优，以及如何防止神经网络过拟合。还涉及概率图模型、大数据处理策略和必要的数学知识，如概率论。
特征工程
七种常用的特征工程
特征提取+数据预处理四部走
特征归一化
- 为啥要归一化
百面机器学习上那个例子我觉得全
就一个角度：
让不同量纲的特征对最终模型有着近似、相似的影响力，可能不完全相同，保证特征之间的公平性
以计算距离为例，很好理解，略
以线性回归为例， w 1 x 1 + w 2 x 2 = y w_1x_1+w_2x_2=y w1x1+w2x2=y，损失就是 L = Σ i n ( w 1 x i 1 + w 2 x i 2 − y ˉ ) 2 L=\Sigma_i^n(w_1x_{i1}+w_2x_{i2}-\bar{y})^2 L=Σin(w1xi1+w2xi2−yˉ)2，展开之后有 w 1 , w 2 w_1,w_2 w1,w2的二次项，还有一个交叉项，对 w 1 w_1 w1求导，倒数大概长这样 ∂ L ∂ w 1 = 2 A w 1 + B w 2 +
最低0.47元/天 解锁文章
363
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
