机器学习f

梯度更新

斜率：斜率k为正值过第一和第三象限，为负值过第二和第四象限。
梯度更新的几何意义：

https://blog.csdn.net/yangwohenmai1/article/details/96955667

将P（损失）看作函数值，要使得损失下降，则x如果在右边，则x需要减小，这样可以使得损失减小，如果x在左边，则需要增大，这样可以使得损失减小。

过拟合

过拟合的解决方法：

https://www.cnblogs.com/jiangxinyang/p/9281107.html

L1正则化 和 L2正则化，或者 L1范数 和 L2范数。对于线性回归模型，使用L1正则化的模型建叫做Lasso回归，使用L2正则化的模型叫做Ridge回归（岭回归）。

L1正则化是指权值向量w ww中各个元素的绝对值之和。
L2正则化是指权值向量w ww中各个元素的平方和然后再求平方根

正则化的理解：

https://blog.csdn.net/jinping_shi/article/details/52433975

线性回归

线性回归+L1正则就是Lasso回归，线性回归+L2正则就是岭回归。

数据离散化的意义

1. 离散化的特征相对于连续型特征更易理解，更接近知识层面的表达。比如工资收入，月薪2000和月薪20000，从连续型特征来看高低薪的差异还要通过数值层面才能理解，但将其转换为离散型数据（底薪、高薪），则可以更加直观的表达出了我们心中所想的高薪和底薪。
2. 可以有效的克服数据中隐藏的缺陷，使模型结果更加稳定

泰勒展开

线性特征和非线性特征

对于这个概念可以模糊一点，不一定非常清晰

https://blog.csdn.net/sazass/article/details/87265316