没有最好的分类器,只有最合适的分类器。
深度学习:数据驱动的,但没有海量且精确标注的数据时,可以采用传统方法。
01 支持向量机
很有趣的比喻:拍一下桌面,将球都拍到空中,再用一张纸分隔开。
问题一:空间上线性可分的两类点,分别向SVM分类的超平面上做投影,这些点在超平面上的投影还是线性可分的吗?
问题二:是否存在一组参数使SVM训练误差为0?(待补充)
存在
问题三:训练误差为0的SVM分类器一定存在吗?
是的
02 逻辑回归
问题一:逻辑回归和线性回归的异同
不同:逻辑回归是分类问题,线性回归是回归问题
相同:极大似然估计建模;梯度下降求解超参数
问题二:当使用逻辑回归多标签的分类问题时,有哪些常见做法?场景,关系?
多项逻辑回归
k个二分类逻辑回归
03 决策树
特征选择、树的构造、树的剪枝
问题一:决策树有哪些常用的启发函数?
常用的决策树算法:ID3-最大信息增益、C4.5-最大信息增益比、CART-最大基尼指数
问题二:决策树剪枝