- 决策树的ID3,C4.5,CART等,决策树的split原理和剪枝策略
- 给出逻辑回归的模型、原理
- 随机梯度下降算法的原理和具体迭代函数
- GBDT模型的损失函数、建模原理,以及如何调参?
- GB和牛顿法的区别,它们和泰勒公式的关系
- 为什么用最小二乘而不是最小四乘
- 过拟合怎么解决,L1和L2正则化有什么区别
- 怎么理解损失函数,SVM的损失函数是什么,写出公式
- 偏差和方差是什么,高偏差和高方差说明了什么:
1.数据欠拟合会出现高偏差问题。
2.数据过度拟合会出现高方差问题。
3.怎么处理高偏差和高方差问题:
高偏差:训练误差很大,训练误差与测试误差差距小,随着样本数据增多,训练误差增大。
-
解决方法:寻找更具代表性的特征、.用更多的特征(增大输入向量的维度)
高方差:训练误差小,训练误差与测试误差差距大,可以通过增大样本集合来减小差距。随着样本数据增多,测试误差会减小。
-
解决方案:增大数据集合(使用更多的数据)、减少数据特征(减小数据维度)
一般采取判断某函数是高方差还是高偏差,简单的判断是看训练误差与测试误差的差距,差距大说明是高方差的,差距小说明是高偏差的。 - 聚类过程
- Bagging 和 Boosting的区别
- 朴素贝叶斯的公式
- SVM的原理及公式推导:
- 神经网络如何工作
机器学习算法常见面试题目总结
猜你喜欢
转载自blog.csdn.net/qq_33690342/article/details/82631126
今日推荐
周排行