面试题打卡-机器学习

最新推荐文章于 2023-05-16 08:53:14 发布
最新推荐文章于 2023-05-16 08:53:14 发布
阅读量367 收藏
点赞数 1
分类专栏： python机器学习项目案例
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/qq_27328197/article/details/113952532
版权

文章目录

哪些机器学习算法需要做特征归一化，哪些不需要？为什么？

在这里插入图片描述

One-hot的作用是什么？为什么不直接使用数字作为表示？

在这里插入图片描述

树形结构为什么不需要做归一化？

在这里插入图片描述

在模型评估过程中，过拟合和欠拟合具体指什么现象？

在这里插入图片描述

降低过拟合和欠拟合的方法？

在这里插入图片描述
在这里插入图片描述

什么是数据不平衡，如何解决？

在这里插入图片描述

简述逻辑回归线性回归的区别？

在这里插入图片描述

回归问题常用的性能度量指标

在这里插入图片描述

分类问题常用的性能度量指标

在这里插入图片描述

逻辑回归处理多标签分类问题时，一般怎么做？

在这里插入图片描述

简述kmeans流程

在这里插入图片描述

为什么必须在神经网络中引入非线性？

在这里插入图片描述

简述一下随机森林算法的原理

在这里插入图片描述

随机森林的随机性体现在哪里？

在这里插入图片描述

随机森林算法的优缺点？

在这里插入图片描述

简述GBDT原理

在这里插入图片描述

GBDT如何用于分类?

在这里插入图片描述

GBDT常用损失函数有哪些？

在这里插入图片描述

更新中…

不懂六月飞雪
关注
专栏目录
【AI面试题】One-hot的作用，为什么不直接使用数字作为表示
Roaddd的博客
02-23 789
       One-hot主要用来编码类别特征，即采用哑变量（dummy variables）对类别进行编码。它的作用是避免因将类别用数字作为表示而给函数带来抖动。直接使用数字会将人工误差而导致的假设引入到类别特征中，比如类别之间的大小关系，以及差异关系等等。 ...
面试题30天打卡-day01
十二间记，知不足而奋斗，望远山而前行。千里不辞行路远，时光早晚到天涯。
04-12 1125
JDK、JRE、JVM、字节码、数据库事务等
Spring面试题打卡(持续更新,可能=v=)
Ryan_black的博客
04-03 410
Spring的知识点太多了,先把自己觉得重要的背下来吧. √ 1.什么是Spring？ Spring是一个分层的JavaSE/EEfull-stack(一站式)轻量级开源框架。 Spring为不同的层都提供的企业级解决方案： web层：spring mvc service层：spring dao层：JDBCTemplate Spring的核心思想是IoC(控制反转)和AOP(面向切面编程) 2.为...
AI人工智能
Jasmine的博客
06-22 146
1，为什么要对特征做归一化？ 2，什么是组合特征？如何处理高维组合特征？ 3，请比较欧式距离与曼哈顿距离？ 4，为什么一些场景中使用余弦相似度而不是欧式距离？ 5，One-hot的作用是什么？为什么不直接使用数字作为表示？ 6，在模型评估过程中，过拟合和欠拟合具体指什么现象？ 7，降低过拟合和欠拟合的方法？ 深度学习 数据预处理中的重要技术–特征归一化 数据预处理： 深度学习中的数据预处理有哪些方式 1.数据归一化：包括高斯归一化、最大最小值归一化等 2.白化：许多深度学习算法都依赖于白化来获得更好的特征。
深度学习算法面试问题整理
longshaonihaoa的博客
07-17 3283
1、首先来一个手推BP反向传播 推荐《NeuralNetworkandDeepLearning》中的四个公式。 详细可以看这篇博文， 再详细点可以看????的书。 2、One-hot的作用是什么？为什么不直接使用数字作为表示 作用：1）将类别变量转换为机器学习算法易于利用的一种形式的过程。如：网络一般通过softmax层输出，它的输出是一个 概率分布，从而要求输入的标签也以概率分布的形式出现，进而......
面试题30天打卡-day02
十二间记，知不足而奋斗，望远山而前行。千里不辞行路远，时光早晚到天涯。
04-13 501
Java和C++、GO语言的区别，Redis、计算机网络七层
JAVA实习生第十一次面试题打卡——Redis篇
weixin_43145539的博客
07-07 481
秋招马上要开始了，为了进入好公司，刷面试题可不能停 01、什么是redis redis是一种nosql数据库,他的数据是保存在内存中，同时redis可以定时把内存数据同步到磁盘，即可以将数据持久化，并且他比memcached支持更多的数据结构(string,list列表[队列和栈],set[集合],sorted set[有序集合] hash(hash表)) 02、为什么要使用redis 当我们做了一个项目，比方说个人博客，我们把这个项目发布到自己的服务器，一般来说，我们做的这个项目没有商用，访问量会很.
Java面试题
lufeia的博客
10-23 853
如果重写equals()必须重写hashCode()，比如在HashMap中，key如果是String类型，String如果只重写了equals（）而没有重写hashcode（）的话，则两个equals()比较为true的key，因为hashcode不同导致两个key没有出现在一个索引上，就会出现map中存在两个相同的key。两个对象相等，他们的hashCode和equals一定相等，但是hashCode相等的两个对象未必相等。hashCode()和equals()都是Object类的方法。
leetcode卡-Niu_Ke:牛科机器学习
07-06
为了方便刷牛客的题(机器学习,java,c++,python),，特意建立此repo，方便大家面试学习； 每题的解题方法包括但不限于c++, java, python，欢迎大家补充； 公众号为： AI数据分析算法 ，欢迎大家关注、交流。 欢迎扫码...
面试题30天打卡-day29
最新发布
十二间记，知不足而奋斗，望远山而前行。千里不辞行路远，时光早晚到天涯。
05-16 320
垃圾回收算法，CC攻击、DDOS攻击，Java新特性
Redis学习笔记——（17）Redis面试题及答案
weixin_42510648的博客
12-16 803
redis面试题
文本特征抽取TfidfVectorizer(特征工程之特征提取)
热门推荐
qq_27328197的博客
02-16 1万+
文章目录前言一、jieba分词中文后再用CountVectorizer提取特征有何不妥？二、TfidfVectorizer1.TFIDF原理2.TfidfVectorizer()使用使用举例总结 前言 本文以jieba给中文分词之后再用CountVectorizer提取特征不足之处为引例，用了一种更加合理的文本抽取方法tf-idf（TF是词频(Term Frequency)，IDF是逆文本频率指数(Inverse Document Frequency)） 一、jieba分词中文后再用CountVector
归一化MinMaxScaler()、标准化StandardScaler()（特征工程之特征预处理）
qq_27328197的博客
02-16 8789
文章目录前言一、什么是特征预处理？二、特征预处理常用方法：归一化、标准化1.归一化2.标准化总结 前言 提示：这里可以添加本文要记录的大概内容 一、什么是特征预处理？ sklearn官网的解释：The sklearn.preprocessing package provides several common utility functions and transformer classes to change raw feature vectors into a representation that i
字典特征提取DictVectorizer（特征工程之特征提取）
qq_27328197的博客
02-14 8156
文章目录什么是特征工程一、什么是特征提取？二、字典特征抽取步骤1.DictVectorizer()使用默认参数会返回一个稀疏矩阵2.DictVectorizer(sparse=False)会返回一个one-hot编码矩阵3.对比两个结果理解一下稀疏矩阵和ont-hot编码总结 什么是特征工程 特征工程：是指使用专业背景知识获取和技巧处理数据使得特征能够在机器学习算法上发挥更好作用的过程。 意义：会直接影响机器学习的效果。 业界内有句流行的话：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。
以逻辑回归预测癌症分类为引例介绍精确率、召回率、F1-score、ROC曲线与AUC指标
qq_27328197的博客
09-27 5266
逻辑回归预测癌症分类 下面是用逻辑回归对癌症分类预测过程： #1获取数据 读取的时候加上names #2数据处理 处理缺失值 #3数据集划分 #4特征工程 标准化 #5逻辑回归预估器 #6模型评估 import pandas as pd import numpy as np #1读取数据 column_name=['Sample code number','Clump Thickness','Uniformity of Cell Size','Uniformity of Cell Shape',
以红酒数据集分类为例做决策树的可视化
qq_27328197的博客
02-21 4074
文章目录前言决策树原理可视化决策树举例ginientropy总结 前言 本文是决策树可视化例子 决策树原理 决策树的分类原理有ID3（信息增益最大准则）、C4.5（信息增益比准则）、CART（基尼系数最小准则）。（具体的数学原理和公式后期补充，本文是做一下决策树可视化）。 可视化决策树举例 思路步骤：1导入数据；2划分数据集；3导入树模型；#4训练与模型评估#5可视化决策树 gini #1导入数据 from sklearn.datasets import load_wine wine=load_wine()
关联规则Apriori算法例子
qq_27328197的博客
02-25 3994
文章目录前言支持度、置信度、提升度举例总结 前言 什么是AI？ The theory and development of computer systems able to perform tasks normally requiring human intelligence.(–Oxford Dictionary) Using data to solve problems.(–cy) 支持度、置信度、提升度 1.支持度：是个百分比，指的是某个商品组合出现的次数与总次数之间的比例，支持度越高，代表这个组合出
PCA降维可视化举例
qq_27328197的博客
06-12 3264
文章目录前言1、生成一群二维点并画在坐标轴上2、PCA降维3、平移回去PCA和原来点共同显示总结 前言 横看成岭侧成峰，远近高低各不同。PCA降维的作用是降低数据的维度，同时让最小的维度得到最大原数据的信息，也就是降维后的点方差最大。本文通过一群点从二维降到一维可视化PCA的效果 1、生成一群二维点并画在坐标轴上 import matplotlib.pyplot as plt import numpy as np import pandas as pd #先生成一群点 然后画出来 datax=np.ra
Knn算法实现鸢尾花分类
qq_27328197的博客
02-18 2800
文章目录前言引例KNN算法实现鸢尾花分类1获取数据2划分数据集3特征工程：标准化数据4模型训练5模型评估总结 前言 近朱者赤近墨者黑，物以类聚人以群分。KNN算法就是计算和别人和自己的举例，然后离自己最近的这些人（大部分）是什么样的人，那么自己就是什么样的人 引例 import pandas as pd import numpy as np #首先有6部电影 统计了打斗镜头和约会镜头 然后分好类了 0和1两类 data=np.array([ [98,2],[3,104],[1,81],[99,5],[10
VarianceThreshold、pearsonr、PCA、LDA(特征工程之特征降维)
qq_27328197的博客
02-16 2786
文章目录前言一、过滤低方差特征(VarianceThreshold())二、相关系数总结 前言 特征降维是指在某些限定条件下，降低随机变量（特征）的个数，得到一组“不相关”的主要变量的过程。比如一辆车的购买时间和行驶路程就有很强的相关性。因为在进行机器学习算法模型进行训练的时候，都是通过特征进行学习，如果特征本身存在问题或者特征之间相关性较强，对算法模型训练有很大的影响。所以要进行特征的选择（或者说降维）、主成分分析PCA等，目的是从数据集中的特征中找出主要特征。 本文是特征降维，包括删除低方差数据以及变量
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