本文详细探讨了机器学习面试中的关键知识点，包括方差偏差分解、时间序列交叉验证策略、处理样本不平衡的方法、迁移学习概念、AUC理解、生成与判别模型对比、L1和L2正则化、ID3树特征选择、特征工程实践、softmax公式、LightGBM的优势、MXNet与TensorFlow的区别，以及模型不收敛的可能原因。这些内容覆盖了机器学习算法、模型评估、模型优化等多个重要领域。
71 方差偏差的分解公式
链接
sklearn）是针对Python 编程语言的免费软件机器学习库 [1] 。它具有各种分类，回归和聚类算法，包括支持向量机，随机森林，梯度提升，k均值和DBSCAN，
72对应时间序列的数据集如何进行交叉验证（两种嵌套交叉验证）
传统的交叉验证由于假定样本独立同分布，因此随机打乱分为训练集和验证集。
但是对于时间序列来讲，需要考虑序列间的时间依赖。1.预测后一半；2.日向前链
73正负样本不平衡的解决办法？评价指标的参考价值？
1重新采样数据集：上下采样法。
2使用正确的评估标准,当数据不平衡时可以采用精度,调用度,F1得分,MCC,AUC等评估指标
好的指标：ROC和AUC、F值、G-Mean；不好的指标：Precision、Recall
74迁移学习
迁移学习就是把之前训练好的模型直接拿来用，可以充分利用之前数据信息，而且能够避免自己实验数据量较小等问题。简单来
最低0.47元/天 解锁文章
1047
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
