我的机器学习面试小笔记
因吹吹斯汀
这个作者很懒,什么都没留下…
展开
-
机器学习面试题之KNN
机器学习面试题之KNN简述一下KNN算法的原理如何理解kNN中的k的取值?在kNN的样本搜索中,如何进行高效的匹配查找?KNN算法有哪些优点和缺点?不平衡的样本可以给KNN的预测结果造成哪些问题,有没有什么好的解决方式?为了解决KNN算法计算量过大的问题,可以使用分组的方式进行计算,简述一下该方式的原理。什么是欧氏距离和曼哈顿距离?那什么是KD树?怎么构建的?KD树建立过程中切分维度的顺序是否可以...原创 2019-04-15 17:02:31 · 3160 阅读 · 0 评论 -
机器学习面试题之NB
机器学习面试题之NB 1.简述朴素贝叶斯算法原理和工作流程 朴素贝叶斯分类是一种十分简单的分类算法,叫它朴素贝叶斯分类是因为这种方法的思想真的很朴素,朴素贝叶斯的思想基础是这样的:对于给出的待分类项,求解在此项出现的条件下各个类别出现的概率,哪个最大,就认为此待分类项属于哪个类别。 (公式自己也知道啊,图片太麻烦了,就不写了,以后可以自己再查) 整个朴素贝叶斯分类分为三个阶段: 第一阶段——准备工...原创 2019-04-18 00:35:21 · 3376 阅读 · 0 评论 -
机器学习面试题之LR
机器学习面试题之LR 1. LR为什么是线性模型 Logistic Regression从几率的概念构建线性回归模型。一个事件发生的几率(odds)为该事件发生的概率与不发生概率的比值,几率的取值范围为[0,+∞)[0,+∞)[0,+∞),其对数的取值范围为实数域,所以,可以将对数几率作为因变量构建线性回归模型: logp1−p=WTXlog\frac{p}{1-p} = W^T Xlog1−pp...原创 2019-04-18 15:51:39 · 1393 阅读 · 0 评论