lr与svm如何选择-面试

最新推荐文章于 2021-09-09 10:42:36 发布
最新推荐文章于 2021-09-09 10:42:36 发布
阅读量1k 收藏 1
点赞数 1
分类专栏： ml
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ningyanggege/article/details/84950961
版权

我当时的回答：如果要求不仅仅是类别，输出概率水平大小，要选用lr；因为svm只输出类别；

网上总结异同：

svm是结构风险最小化的函数，因为自带L2正则函数；svm中取决于支持向量，所以与数据分布无关，而且计算依赖于距离公式，所以标准化很重要；

 

lr的决策 平面取决于所有的数据，所以依赖于数据分布，由于是概率公式，所以可以不需要标准化；

 

 

Takoony
关注
专栏目录
LR与SVM复习推导 面试常考题整理
brilliant_o的博客
01-02 305
复习了一下logistic和SVM，整理了一些推导过程   Logistic回归 Logistic回归：广义线性模型的一种，用于0/1分类任务。由于特征的线性组合的取值范围是负无穷到正无穷，因此使用sigmoid函数将其映射到(0,1)上，映射后的值被认为是y=1的概率。     SVM SVM：特征空间上的间隔最大的线性分类器，学习策略是使间隔最大化，可以转化为一个凸二次规划问题求解 SVM的原理是什么？ SVM是一种二分类模型，在特征空间中寻找间隔最大化的分离超平面的线性
面试----SVM
最新发布
weixin_43008312的博客
04-25 730
方法1️⃣：一对多法。训练时依次把某个类别的样本归为一类,其他剩余的样本归为另一类，这样k个类别的样本就构造出了k个SVM。分类时将未知样本分类为具有最大分类函数值的那类。方法2️⃣：一对一法。其做法是在任意两类样本之间设计一个SVM，因此k个类别的样本就需要设计k(k-1)/2个SVM。当对一个未知样本进行分类时，最后得票最多的类别即为该未知样本的类别。Libsvm中的多类分类就是根据这个方法实现的。
选择LR与SVM区别
qq_34438672的博客
08-30 243
既然SVM与Logistic非常相似，那是不是它们可以混合使用呢？结果是否定的，在不同的情况下，应该选择不同的算法。 用n表示Feature数量，m表示训练集个数。下面分情况讨论 n很大，m很小 n很大，一般指n=10000；m很小，一般m=10-1000。m很小，说明没有足够的训练集来拟合非常复杂的非线性模型，所以这种情况既可以选择线性kernel的SVM，也可以选择Logistic回归。...
如何判断使用lr和svm哪个效果好？
meishenghang1148的博客
07-01 625
源自吴恩达的机器学习课程：n是数据中特征的数量 m是样本数1、如果n相对于m来说很大，则使用LR算法或者不带核函数的SVM（线性分类）n远大于m，n=10000，m=10-10002、如果n很小，m的数量适中（n=1-1000，m=10-10000）使用带有核函数的SVM算法3、如果n很小，m很大（n=1-1000，m=50000+）增加更多的feature然后使用LR算法或者不带核函数的SV...
LR和SVM的比较
caoxuemei12的博客
08-07 714
LR与SVM的不同： 1.损失函数不同： LR的损失函数是交叉熵，SVM损失函数是合页损失函数 2.样本点对模型的作用不同： SVM中，只有关键的样本点（支持向量）对模型结果有影响，而LR中，每一个样本点都对模型有影响。 3.输出不同： LR可以对每个样本点给出类别判断的概率值（基于后验概率），SVM无法做到。 4.防过拟合能力不同： SVM的损失函数就自带正则（损失函数中的1...
数据挖掘面试题之SVM和LR的不同
hyl999的专栏
10-15 416
数据挖掘面试题之SVM和LR的不同 这道题很能考察应试者的理论与实践水平，同时，它也揭示了一个很重要的学习方法，那就是比较学习。这种方法在机器学习中尤其重要，因为有很多模型，通过比较，会迅速深化你对各个模型的认识水平。答案是我自己总结的，请指正。 1、样本点对模型的作用不同。SVM中，只有关键的样本点（支持向量）对模型结果有影响，而LR中，每一个样本点都对模型有影响。 2、损...
人工智能-面试题大全-适用于求职者提神自我大厂必备.docx
03-14
3. **LR（逻辑回归）与线性回归比较** - LR使用的是似然函数作为优化目标，输出值限定在[0,1]之间，适合分类问题。 - 线性回归的目标是最小化平方误差，输出值无约束，适用于连续数值预测。 4. **SVM（支持向量机...
面试（1）：逻辑回归（LR）与支持向量机（SVM）的区别和联系
小蜗牛的博客
06-23 5291
逻辑回归（LR）与支持向量机（SVM）的区别和联系1、为什么常比较这两个算法2、二者相同点3、二者不同点 1、为什么常比较这两个算法 （1）这两个算法是基础算法，常被使用。 （2）LR与SVM之间有很多相似点，因此常被放在一起比较。 2、二者相同点        第一，LR和SVM都是分类算法。        LR和S...
数据分析【机器学习】总结之-----SVM(支持向量机)十大常见面试题整理
天阑之蓝的博客
06-16 5965
阅读之前看这里????：博主是正在学习数据分析的一员，博客记录的是在学习过程中一些总结，也希望和大家一起进步，在记录之时，未免存在很多疏漏和不全，如有问题，还请私聊博主指正。 博客地址：天阑之蓝的博客，学习过程中不免有困难和迷茫，希望大家都能在这学习的过程中肯定自己，超越自己，最终创造自己。 SVM“支持向量机”十大常见面试题整理（1）SVM的原理是什么？（2）支持向量机的分类及区别（3）SVM为什么采用间隔最大化？（4）为什么SVM要引入核函数？(将线性不可分变成线性可分)（5）常用的核函数（6）为什么
LR，SVM，决策树的选择
yanglee0
09-09 779
训练集有多大？ 数据集小：可选择高偏差/低方差的分类器。（低偏差/高方差的分类器（LR）更加容易过拟合） 数据集小：选择低偏差/高方差的分类器。这样可以训练处更加准确的模型。 Logistic回归(Logistic Regression, LR) 1、使用LR可以快速搭建出一个模型来（也不需要考虑样本是否相关），如果模型效果不怎么样，也可以得到一个基准。 2、如果想要通过调节概率阈值来分类的话，使用LR更加合适，而且相比于SVM以及决策树，LR更加具有可解释性，因此在业务场景中，会好用一些。 决策树（Dec
LR与SVM比较
gdufs_phc的博客
04-15 504
相同点第一，LR和SVM都是分类算法。第二，如果不考虑核函数，LR和SVM都是线性分类算法，也就是说他们的分类决策面都是线性的。第三，LR和SVM都是监督学习算法。第四，LR和SVM都是判别模型。判别模型会生成一个表示P(Y|X)的判别函数（或预测模型），而生成模型先计算联合概率p(Y,X)然后通过贝叶斯公式转化为条件概率。简单来说，在计算判别模型时，不会计算联合概率，而在计算生成模型时，必须先计...
LR推导及与SVM的区别
jiachen0212的博客
05-13 1077
传送门：简书-传送门1、逻辑斯谛分布介绍逻辑斯谛回归模型之前，首先看一个并不常见的概率分布，即逻辑斯谛分布。设X是连续随机变量，X服从逻辑斯谛分布是指X具有如下的累积分布函数和概率密度函数：式中，μ为位置参数，γ>0为形状参数。逻辑斯谛的分布的密度函数f(x)和分布函数F(x)的图形如下图所示。其中分布函数属于逻辑斯谛函数，其图形为一条S形曲线。该曲线以点(μ,1／2)为中心对称，即满足：曲...
当面试官问LR与SVM的问题时，他们会问些什么
Matrix_cc的博客
04-01 1086
目录 一、LR原理介绍及公式推导 二、SVM的原理介绍 三、LR与SVM的异同及使用场景 一、LR原理介绍及公式推导 1. 什么是逻辑回归 Logistic回归虽然名字里带“回归”，但是它实际上是一种分类方法，主要用于两分类问题（即输出只有两种，分别代表两个类别） 回归模型中，y是一个定性变量，比如y=0或1，logistic方法主要应用于研究某些事件发生的概率 2. 逻辑...
机器学习面试 之 LR与SVM
qq_25867055的博客
02-22 440
面试系列 之 机器学习（1） 第一部分：LR 与 SVM LR LR的损失函数的公式和函数 LR的推导过程 LR如何解决共线性，为什么深度学习不强调 LR如何防止过拟合 LR分布式训练怎么做 LR为什么使用Sigmoid SVM SVM的损失函数 SVM的推导过程 SVM怎么扩展到多分类问题 SVM需要解决的重要数学问题是什么 LR和SVM的区别 LR 1. LR的损失函数的公式和...
机器学习岗位面试问题汇总 之 SVM
BigBigLiu
06-24 4123
自己结合网络、书本内容总结，欢迎指正欢迎补充。更新日期：20170607—版本11.简述SVM 二分类模型、更严格优化条件—>更好分界线，低维—->高维，间隔最大的分割平面，不太容易过拟合（2个原因），多层感知机（sigmoid核），3种分类，2种求解方法2.SVM的主要特点 （1）非线性映射-理论基础 （2）最大化分类边界-方法核心 （3）支持向量-计算结果 （4）小样本学习方法 （5）最终的
面试记录-lr回归推导
nlite827109223的博客
08-06 420
LR的常见面试点总结
qq_16236875的博客
06-14 936
一 . 建议不要说自己精通逻辑回归，非常容易被问倒 二. 正式介绍：逻辑回归假设数据服伯努利分布，通过极大似然函数的方法，运用梯度下降求解参数，来达到数据二分类的目的。 1：逻辑回归的假设，2：逻辑回归的损失函数，3：逻辑回归的求解方法，4：逻辑回归的目的，5:逻辑回归如何分类。这些问题是考核你对逻辑回归的基本了解。 1：逻辑回归的假设： 数据服从伯努利分布，例子：抛硬币。 2 ：逻辑回...
LR，GNDT面试点总结
dashenYangHJ的博客
03-15 214
LR,GBDT面试点总结
BAT面试热门：SVM、Tensorflow与XGBoost解析
"面试题目集合，包括SVM、Tensorflow计算图、GBDT与XGBoost的区别、距离度量选择及特征工程、逻辑回归（LR）的深入理解和过拟合解决方案" 1. SVM（支持向量机）是机器学习中的一种经典分类算法。它通过寻找最优的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值