人工智能考核（机器学习）

1、请简要介绍下SVM？
答:支持向量机（SVM）是用来解决分类问题的学习模型，也称“最大间隔分类器”。把低维不可分拉伸到高维可分，所以会用到核函数，如:高斯核函数，卡方核函数，字符串核函数与直方图核函数。
使用范围：当使用核函数时，对于高维稀疏，并且样本较少的案例比较适用。
当不使用核函数时，也就是线性喽，速度快，效果也很不错。
2、简要介绍下tensorflow的计算图？
答:在tensorflow程序中，系统会自动创建并维护一个默认的计算图，计算图可以理解为神经网络结构的程序化描述。如果不显示指定所归属的计算图，则所有的张量和Operation都是在默认计算图中定义的。使用tf.get_default_graph()函数可以获得当前默认的计算图句柄。
Tf中可以定义多个计算图，不同的计算图上的张量和运算是相互独立的，不会共享。计算图可以用来隔离张量和计算，同时提供管理张量和计算的机制。计算图可以通过Graph.device函数来指定运行计算的设备。
3、在k-means或kNN，我们常用欧氏距离来计算最近的邻居之间的距离，有时也用曼哈顿距离，请对比下这两种距离的差别。
答：曼哈顿距离是一维空间距离=|(x1-x2)|+|(y1-y2)|
欧几里得距离是多维空间距离=根号下[(x1-x2)^2+(y1-y2)2]
4、LR与线性回归的区别与联系？
答:
区别：1.线性回归要求变量服从正态分布，LR无要求
2.线性回归因变量是连续性，而LR的因变量可以是分类型变量
3.线性回归要求自变量和因变量呈线性关系，LR无这项要求
4.LR是分析因变量取某个值的概率与自变量的关系，而线性回归是直接分析关系
联系：1.都可以做出预测
2.线性回归经过激活函数处理之后可以得到LR
5、LR和SVM、线性回归的联系与区别
1.都是监督的分类算法
2.都是线性分类方法 (不考虑核函数时）
3.都是判别模型 判别模型和生成模型是两个相对应的模型。
4. 判别模型是直接生成一个表示或者的判别函数（或预测模型） 生成模型是先计算联合概率分布然后通过贝叶斯公式转化为条件概率。 SVM和LR，KNN，决策树都是判别模型，而朴素贝叶斯，隐马尔可夫模型是生成模型。
区别：1.损失函数的不同
2、SVM不能产生概率，LR可以产生概率
LR本身就是基于概率的，所以它产生的结果代表了分成某一类的概率，而SVM则因为优化的目标不含有概率因素，所以其不能直接产生概率。
2、SVM不能产生概率，LR可以产生概率。LR本身就是基于概率的，所以它产生的结果代表了分成某一类的概率，而SVM则因为优化的目标不含有概率因素，所以其不能直接产生概率。
3、SVM自带结构风险最小化，LR则是经验风险最小化。在假设空间、损失函数和训练集确定的情况下，经验风险最小化即最小化损失函数结构最小化是为了防止过拟合，在经验风险的基础上加上表示模型复杂度的正则项
4、SVM会用核函数而LR一般不用核函数。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量。 而LR则每个点都需要两两计算核函数，计算量太过庞大
5、LR和SVM在实际应用的区别根据经验来看，对于小规模数据集，SVM的效果要好于LR，但是大数据中，SVM的计算复杂度受到限制，而LR因为训练简单，可以在线训练，所以经常会被大量采用
6、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。