weixin_37721058的博客

今天面试了，面试官又又又问了我SVM的推导，但是面试官解答了我一个点，那就是为什我们会使用拉普拉斯。使用拉格朗日的好处在哪里，而这个点非常关键，让我知道了，除了我们会用来计算，我们还需要了解细节。而且要挖掘。 下面围绕SVM说两个点： 第一个点：与逻辑回归在思路上有什么不同。这个我们可以更加深入的了解逻辑回归的推到过程 第二个点：SVM本身会涉及到哪些计算，其中的一步会解决了上面的问题。 逻辑回归...

参考链接： MAP和MLE的区别 目标函数和损失函数 为什么和谈MAP和MLE 现代机器学习的终极问题都会转化为解目标函数的优化问题，MLE和MAP是生成这个函数的很基本的思想，因此我们对二者的认知是非常重要。比如我们OCR中遇到的其实就是最大似然函数出发的，还有我们所熟悉的交叉商损失函数，其实通过MLE也可以推导得到的。准确来说这两个其实就是我们思考一些问题可以出发的点。也能看到机器学习和深度学...

与PCA的区别 PCA降低维度为主，而且是一种无监督的降低维度，从数学上让协方差为0，让方差最大，从使得特征相互独立，却可以有效的区分。 LDA，作为线性判别器，‘投影后类内方差最小，类间方差最大’ 这句话在tripletloss也可以吧哈哈哈，真的是大家的出发点非常的相似。 但是又是借了PCA的思路，还记得我们的基的变换嘛，就是数据的分布从一个空间到另一个空间，其实LDA也是一样，不过是希望映射...

PCA参考文章1 ----基的变化是空间的变化 PCA的思路：将数据所在的维度用基表示，所谓的降低维度就是将数据乘以一个比现在维度小的基，然后数据就分布到维度小里面去了。将数据从一个空间映射到另一个空间。 只是降低维度是没有意义的，我们希望降低维度的同时，可以让数据更好的分类，所以PCA是有分类的作用的，当数据们因为维度映射到不同的位置，那就是一种分类。 如何选择基才是最优的。或者说，如果我们有...