- 博客(5)
- 收藏
- 关注
RSS订阅原创 常用算法优缺点
朴素贝叶斯 常用于文本分类 对缺失值不敏感、能处理多分类、算法简单 需要计算先验概率、先验有一定的错误率；模型假设是各特征相互独立，所以面对相关性较强的特征可能分类效果不好 本质是根据先验概率和数据来估计后验分布，也有一定的错误率 KNN 简单有效 类别重叠时，效果比别的分类器好一些 可用于非线性分类； 对数据没有假设，准确度高，对异常值不敏感； 缺点 计算量大； 样本...
2018-07-28 21:34:37
545
1
原创 决策树选择
信息增益：偏向取值较多的特征 信息增益比：偏向取值较少的特征 基尼：被选中的概率乘以被分错的概率 信息增益准则对那些属性的取值比较多的属性有所偏好，也就是说，采用信息增益作为判定方法，会倾向于去选择属性取值比较多的属性。那么，选择取值多的属性为什么就不好了呢？举个比较极端的例子，如果将身份证号作为一个属性，那么，其实每个人的身份证号都是不相同的，也就是说，有多少个人，就有多少种取值，它的取值...
2018-07-24 11:30:13
240
原创 面试 线性分类器
线性分类器：模型是参数的线性函数，分类平面是（超）平面； 非线性分类器：模型分界面可以是曲面或者超平面的组合。 典型的线性分类器有感知机，逻辑斯特回归，SVM（线性核）； 典型的非线性分类器有朴素贝叶斯，kNN，决策树，SVM（非线性核）...
2018-07-24 10:40:41
138
原创 面试 范数 稀疏性
范数稀疏性 L1范数使解稀疏 当p=1时，范数的几何模型是菱状，在一定条件下会导致一个稀疏解，即相交于坐标轴上； 当p>1时，Lp球是外凸的，当逐渐膨胀时与直线的切点一定不位于坐标轴上，即此时的解是不稀疏的。...
2018-07-24 10:38:50
532
原创 面试 分类判别函数
TPR=TP/TP+FN FPR=FP/FP+TN ROC 纵坐标为FPR 横坐标为TPR 准确率 =(TP+TN)/ALL 精确率 P=TP/TP+FP 召回率 R=TP/TP+FN 即TPR AUC为ROC曲线下面积 越大越好 样本不均匀时 用PR 召回率作横坐标，精确率作纵坐标 曲线越偏右上越好 ...
2018-07-24 10:31:54
138
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人