- 博客(12)
- 收藏
- 关注
RSS订阅原创 深度学习面试问题
Sigmoid函数在z很大或z很小的时候，梯度都接近于0，这样，误差经过每一层传递都会不断衰减，当网络层数很深时，梯度就会不停衰减，甚至消失，使得整个网络很难训练。一种简单有效的解决方法是使用导数比较大的激活函数，比如ReLUAlexNet：使用GPU进行并行训练，采用ReLU作为非线性激活函数，使用Dropout防止过拟合，使用数据增强提高模型准确率，使用局部响应归一化以增强模型的泛化能力。Inception网络：一个卷积层包含多个不同大小的卷积操作，成为Inception模块。
2024-05-20 16:10:27
1651
1
原创 机器学习/数据挖掘面试问题——第10章 降维与度量学习
kNN：给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个样本，然后基于这k个邻居的信息来进行预测，通常在分类任务中可以采用投票法，在回归任务中可以采用平均法，还可以根据距离远近进行加权平均或加权投票。
2024-05-18 21:20:21
294
1
原创 机器学习/数据挖掘面试问题——第11章 特征选择与稀疏学习
从大量有噪声的数据中提取出隐含的、有价值的信息的过程。将若干分散数据源中的数据集成到一个统一的数据集合中。存在实体识别问题（同名异义、异名同义、单位统一）、属性冗余问题、数据值冲突问题（规格单位、编码）将特征选择与学习器训练过程融为一体，两者在同一个优化过程中完成，即学习器训练过程中自动地进行了特征选择。例如岭回归、Lasso回归。
2024-05-18 21:17:43
765
1
原创 机器学习/数据挖掘面试问题——第8章 集成学习
通过构建并结合多个学习器来完成学习任务。同质：集成的个体学习器（基学习器）相同，异质：集成的个体学习器不同。
2024-05-18 19:57:04
1001
1
原创 机器学习/数据挖掘面试问题——第4章 决策树
假设离散属性a有V个可能取值，若使用a来对D进行划分，则会产生V个分支结点，其中第v个分支结点包含了D中所有在属性a上取值为的样本，记为，用属性a对D划分后得到的信息增益为信息增益越大，表明使用属性a来进行划分所获得的纯度提升越大。但是，信息增益准则对可取值数目较多的属性有所偏好，为此引入增益率。ID3算法采用信息增益为准则。IV(a)称为a的固有值，属性a的可能取值越多，IV(a)越大。C4.5算法采用增益率为划分准则。
2024-05-17 17:02:19
1071
1
原创 机器学习/数据挖掘面试问题——第6章 支持向量机
是一种有监督的二分类算法，在样本空间中找到一个划分超平面，将不同类别的样本分开的算法。进行分割的策略主要有三种：当训练样本线性可分时，硬间隔最大化，学习一个线性分类器。当训练样本近似线性可分时，引入松弛变量，软间隔最大化，学习一个线性分类器。当训练样本线性不可分时，通过核函数和软间隔最大化，学习非线性SVM。当样本线性不可分时，可以将样本从原始空间映射到一个更高维度的空间，使得在这个特征空间线性可分。令表示将x映射后的特征向量，在特征空间中划分超平面所对应的模型可以表示为，其对偶问题为。
2024-05-17 16:02:34
449
1
原创 机器学习/数据挖掘面试问题——第3章 线性模型
将z值转化为一个接近于0或1的y值给定训练样例集，将样例投影到一条直线上，使得同类样例的投影点尽可能接近，异类样例的投影点尽可能远离，在对新样本进行分类时，将其投影到同样的直线上，根据投影点的位置来确定新样本的类别。
2024-05-17 12:03:54
196
1
原创 机器学习/数据挖掘面试问题——第2章 模型评估与选择
以查准率为纵轴，查全率为横轴作图就得到P-R曲线。如果一个学习器的P-R曲线被另一个学习器的曲线完全包住，则可认为后者的性能优于前者。纵轴：真正例率（TPR），横轴：假正例率（FPR）若一个学习器的ROC曲线被另一个学习器的曲线完全包住，则可断言后者的性能优于前者；若两个学习器的ROC曲线发生交叉，则可以比较ROC曲线下的面积，即AUC。过拟合：学习器把训练样本学得太好了，把训练样本自身的一些特点当作所有潜在样本会具有的一般性质，导致泛化性能下降。欠拟合：对训练样本的一般性质尚未学好。
2024-05-16 22:54:36
976
2
原创 代码随想录+力扣刷题记录+华为机考准备记录
为了准备华为机考的刷题记录（不全）（已挂，春招再战）为了准备华为机考的刷题记录（不全）（已挂，春招再战）
2024-05-16 12:43:21
1676
2
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人