1.線形回帰分析では、目標は、残差を最小化することです。正方形パラメータの残差和の関数は、残留偏導関数のパラメータの数がゼロであるように、残差のピーク値を見つけるために、であり、残差はゼロになり、即ち、残留ゼロ平均。
2組のn個の要素素子のセットm番目マッピングさ数N ^ mまで。
3.要素セットm番目のN要素が設定シングルショットは！は、場合M = N、Aは、（M、M）= Mである：である （ M≠nは、0である場合）。
前記 n個の要素に番目の要素セットはセットM 全射である：Mnは、複雑さ、分類の必要性が議論場合：C（M、2）A（M = N + 1である場合 、N、N）= M（ M-1）N！/ 2 （ 2）
5.一般的なケース（M-1）C（N用溶液Xnを= mのX1 X2 + X3 + ... + +正の整数 -1）
の非負整数解を持つ（M + N-1）C （N- 1）種
6.ニューロン出力は、アクティベーション機能TANHを使用することができ、-0.01であります
7.勾配降下パラメータがNaNであることを訓練されている、理由が考えられます。
1）。爆発勾配
配当が0である場合2）。算出処理では、ケースがあった
3）。BATCHSIZEはるかに学習速度又はセット。logits INF出力が過度に大きくなるため、これはナンなる評価ログ勾配で撮影され、ナンの略語は番号ではない、ではない有理数が発現しました。だから、小さな学習率にこのソリューションを転送するだけでなく、別の解決策はまた、損失の正則化項に追加することができます。
4）。コスト関数は、パラメータログの最小値を追加するのを忘れ。
5）。データのエラーは、データそのものは収束につながることができませんナンデータ、間違ったデータネットワークが含まれています。
8.ガウスカーネルを使用しているときときで線形カーネルで、およそSVMを教えてください？
好ましい特徴データ抽出は、情報は、線形分離リニアコアとすることができる問題の多く、十分に大きな含む場合。小さな機能の数、サンプルの適度な数は、時間に敏感でない場合には、直線切っても切れないガウスカーネルがより良い結果を達成するために使用することができるとき、問題が発生しました。
9.分類する方法を、あなたにいくつかのデータセットを与えますか？
注：データの大きさから、前記の角度が不足している場合
A：データ型の決定木によれば、このようなLRやSVMなどの異なるモデルを選択します。より特徴寸法がSVMモデルを選択することができる場合、多数のサンプルは、LRモデル場合に選択することができるが、モデルLRを前処理データを必要とし、欠損値は、より決定木を選択できる場合。選択されたモデルが完了した後、対応する目的関数が決定されます。
10.あなたは行列正定判断し、ヘッセ行列が正定で勾配降下を適用する方法を説明することができます
10.1定性的決意マトリックス
条件が満たされた場合正定行列かどうかを決定する、すべての機能は、この行列の値が0より小さくない見ることができ、すべての固有値が0より大きい場合、半定値、それが正定値を決定していると判定されました。
GD定性的に適用される10.2ヘッセ行列
決定する際に最適化アルゴリズムの実現可能性は、ヘッセ行列の重要な役割正定性を果たしています。ヘッセ正定値行列ならば、それは状態の変化の速度の関数である0よりも二階偏微分以上の機能をインクリメントし、ニュートン法、GDのようなメソッドは、ヘッセ行列を容易に決定することができるかどうかを、ローカルまたはグローバル最適化機能収束します。
