最近一边看书,一边梳理机器学习的知识点:
1. 线性回归
2.线性回归的损失函数(误差的平方和)
3. 最小二乘法(手推导)
4.批量梯度下降法(学习率大小问题)
5.放缩scaling对梯度下降的影响
6.多元线性回归
7.逻辑斯蒂回归-二元分类
8.LR代价函数
9.神经网络
10.前向传播和后向传播
11.神经网络过程
12.模型选择和交叉验证
13.高偏差和高方差
14.偏差和方差(欠拟合和过拟合)
15.学习率
16.模型评价 混淆矩阵 准确率和召回率 F1值,ROC曲线和auc的含义
17.无监督聚类 k-means 迭代算法和过程 选择聚类数的动机 聚类相似度和距离的度量 中心点随机初始化 代价函数 容易陷入局部最小值 解决办法多运行几次取loss最小的,降维 数据可视化 PCA。
18.