机器学习
文章平均质量分 79
缄默笔记
华中科技大学
展开
-
2018校招——机器学习问题汇总
说明:问题主要来自牛客网面经。 LR 专题 1 讲一下逻辑回归,及优缺点 2 用代码写出LR的损失函数(目标函数),损失函数如何推导? 3 LR的优化方法及区别,梯度下降有哪几种 4 LR的思想 LR对输入和输出的分布假设 5 LR可以用来处理非线性问题么? 怎么做? 可以像SVM那样么? 为什么? 6 LR模型为什么采用似然估计? 7 LR为什么要用对数似然,不用平方损失和绝对值原创 2017-10-19 10:36:52 · 1416 阅读 · 0 评论 -
L1 L2正则化及贝叶斯解释
1 L1正则化和L2正则化区别 L1得到的是稀疏权值,可以用于特征选择,假设参数服从Laplace分布(贝叶斯角度理解) L2得到的是平滑权值,因为所有权值都趋于最小,假设参数服从Gauss分布,(并趋于一致,因为一致时平方和,最小) 2 L1正则化稀疏解理解 2.1 问题转化 2.2 图形化解释 2.3 其他理解 2.4原创 2017-10-19 10:19:58 · 2907 阅读 · 0 评论