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 · 1428 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 · 2950 阅读 · 0 评论