2019.03.04学习笔记

1.手撕SVM：

    https://blog.csdn.net/qy724728631/article/details/82622535

    https://blog.csdn.net/Cheese_pop/article/details/79916557

    http://www.360doc.com/content/18/0905/17/17157244_784140267.shtml

    https://blog.csdn.net/cppjava_/article/details/68060439

    https://blog.csdn.net/Mr_HHH/article/details/79093174

    https://blog.csdn.net/szlcw1/article/details/52259668

2. 哪些机器学习算法不用做归一化：

树形模型不需要归一化，因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率，如决策树、随机森林(Random Forest) 。按照特征值进行排序的，排序的顺序不变，那么所属的分支以及分裂点就不会有不同。而且，树模型是不能进行梯度下降的，因为构建树模型（回归树）寻找最优点时是通过寻找最优分裂点完成的，因此树模型是阶跃的，阶跃点是不可导的，并且求导没意义，也就不需要归一化。

3.欧式距离与曼哈顿距离：

欧式距离将不同属性之间的差别同等看待，每个属性的重要性是相同的。

曼哈顿距离：从一个十字路口开车到另外一个十字路口。

4.归一化与标准化的不同：归一化是指使得数据分布在一个范围之内，标准化是指将控制数据的均值和方差。

5.一个完整的机器学习项目的流程：

    1.抽象成数学问题：明确可以获得什么样的数据，目标是一个分类，回归还是聚类问题。

    2.获取数据

    3.特征预处理与特征选择

    4.训练模型与调优

    5.模型诊断

    6.模型融合

    7.上线运行

6.逻辑回归往往将特征离散化，是因为：

         0. 离散特征的增加和减少都很容易，易于模型的快速迭代；

         1. 稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展；

         2. 离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数           据“年龄300岁”会给模型造成很大的干扰；

         3. 逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合；

         4. 离散化后可以进行特征交叉，由M+N个变量变为M*N个变量，进一步引入非线性，提升表达能力；

         5. 特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问；

         6. 特征离散化以后，起到了简化了逻辑回归模型的作用，降低了模型过拟合的风险。

7.手撕逻辑回归：

        https://blog.csdn.net/cyh_24/article/details/50359055

        https://blog.csdn.net/zouxy09/article/details/20319673

8.过拟合怎么办：

      1.L1，L2正则化

     2.随机失活(dropout)。在训练的运行的时候，让神经元以超参数p的概率被激活(也就是1-p的概率被设置为0), 每个w因此随机参与, 使得任意w都不是不可或缺的, 效果类似于数量巨大的模型集成。

     3.逐层归一化(batch normalization)这个方法给每层的输出都做一次归一化(网络上相当于加了一个线性变换层), 使得下一层的输入接近高斯分布. 这个方法相当于下一层的w训练时避免了其输入以偏概全, 因而泛化效果非常好.

    4.提前终止训练。

    5.降低学习率。

 

9. RL与SVM的联系：

联系：

1、LR和SVM都可以处理分类问题，且一般都用于处理线性二分类问题（在改进的情况下可以处理多分类问题）

2、两个方法都可以增加不同的正则化项，如l1、l2等等。所以在很多实验中，两种算法的结果是很接近的。

区别：

1、LR是参数模型，SVM是非参数模型。

2、从目标函数来看，区别在于逻辑回归采用的是logistical loss，SVM采用的是hinge loss，这两个损失函数的目的都是增加对分类影响较大的数据点的权重，减少与分类关系较小的数据点的权重。

3、SVM的处理方法是只考虑support vectors，也就是和分类最相关的少数点，去学习分类器。而逻辑回归通过非线性映射，大大减小了离分类平面较远的点的权重，相对提升了与分类最相关的数据点的权重。

4、逻辑回归相对来说模型更简单，好理解，特别是大规模线性分类时比较方便。而SVM的理解和优化相对来说复杂一些，SVM转化为对偶问题后,分类只需要计算与少数几个支持向量的距离,这个在进行复杂核函数计算时优势很明显,能够大大简化模型和计算。

5、logic 能做的 svm能做，但可能在准确率上有问题，svm能做的logic有的做不了。