为什么需要对数值类型的特征做归一化?
可以将所有的特征都统一到一个大致相同的数值区间内,通过梯度下降发求解的模型通常是需要归一化的。常用的方法有线性归一化和零均值归一化。
怎样处理类别型特征?
序号编码,独热编码,二进制编码
什么是组合特征?如何处理高维组合特征?
把一阶离散特征两两组合
有哪些文本表示模型?各有什么优缺点?
词袋模型:每篇文章表示成一个长向量,每一维代表一个单词,该维对应的权重反映了这个词在原文中的重要程度,常用TF-IDF(t,d)来计算权重。
词嵌入式一类将词向量化的模型的统称,核心思想是将每个词都映射成低维空间的一个稠密向量。
Word2Vec是如何工作的?它与LDA有什么区别与联系?
word2vec有两种网络结构,分别是CBOW和skip-gram。
CBOW的目标是根据上下文出现的词语来预测当前词的生成概率,而Skip-gram是根据当前词来预测上下文中各词的生成概率
LDA是利用文档中单词的共现关系来对单词主题聚类,也可以理解为对“文档-单词”矩阵进行分解,得到“文档-主题”和“主题-单词”两个概率分布。
而Word2Vec是对“上下文-单词”矩阵进行学习
主题模型和词嵌入两类方法最大的不同在于模型本身,主题模型是一种基于概率图模型的生成式模型,其似然函数可以写成若干条件概率连乘的形式;
而词嵌入模型一般表达为神经网络的形式,似然函数定义在网络的输出之上,需要通过学习网络的权重以得到单词的稠密向量表示。
训练神经网络的权重:从输入层到隐含层需要一个维度为的权重矩阵,从隐含层到输出层又需要一个的权重矩阵
在图像分类任务中,训练数据不足会带来什么问题?如何缓解数据量不足带来的问题?
过拟合问题,即模型在训练样本上的效果可能不错,但在测试集上的泛化效果不佳。处理方法分为两类:一是基于模型的方法,主要是采用降低过拟合风险的措施,包括简化模型,添加约束项以缩小假设空间,集成学习,dropout超参数等
二是基于数据的方法,主要通过数据扩充。可以对图像进行的变换有:
1.一定程度内的随机旋转,平移,缩放,裁剪,填充,左右翻转等,这些变化对应着同一个目标在不同角度的观察结果
2.对图像中的像素添加噪声扰动,比如椒盐噪声,高斯白噪声
3.颜色变换
4.改变图像的亮度,清晰度,对比度,锐度等