<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[国民本色的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/UniqueenCT</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; UniqueenCT]]></copyright><item><title><![CDATA[机器学习面试笔记整理8-GBDT]]></title><link>https://blog.youkuaiyun.com/UniqueenCT/article/details/88930042</link><guid>https://blog.youkuaiyun.com/UniqueenCT/article/details/88930042</guid><author>UniqueenCT</author><pubDate>Sun, 31 Mar 2019 19:22:54 +0800</pubDate><description><![CDATA[机器学习面试笔记整理8-GBDT算法思想优缺点面试问题收集
算法思想
在损失函数loss负梯度方向，利用残差逼近的方式去拟合一颗CART，不断迭代后，最后累加 所有CART。
优缺点
面试问题收集

...]]></description><category></category></item><item><title><![CDATA[机器学习面试笔记整理7-Adaboost]]></title><link>https://blog.youkuaiyun.com/UniqueenCT/article/details/88929811</link><guid>https://blog.youkuaiyun.com/UniqueenCT/article/details/88929811</guid><author>UniqueenCT</author><pubDate>Sun, 31 Mar 2019 15:46:46 +0800</pubDate><description><![CDATA[机器学习面试笔记整理7-Adaboost算法思想优缺点面试问题收集
算法思想
上一轮样本分布—&gt;基分类器进行学习—&gt;误差率—&gt;分类器权重—&gt;更新样本权重
优缺点
优点：
1.可使用不同分类器（LR,DT…）作为基分类器
2.精度高
缺点：
1.对异常值敏感
2.基分类器数目（迭代次数）不好设定
3.对样本不平衡敏感
面试问题收集
1. 样本、分类器权重如何确定的？
根据上一...]]></description><category></category></item><item><title><![CDATA[机器学习面试笔记整理6-随机森林]]></title><link>https://blog.youkuaiyun.com/UniqueenCT/article/details/88929736</link><guid>https://blog.youkuaiyun.com/UniqueenCT/article/details/88929736</guid><author>UniqueenCT</author><pubDate>Sun, 31 Mar 2019 15:37:26 +0800</pubDate><description><![CDATA[机器学习面试笔记整理6-随机森林算法思想优缺点面试问题收集
算法思想
随机采样-&gt;随机特征-&gt;多棵决策树-&gt;多数投票(分类)/取平均值(回归)
优缺点
优点：

并行
随机性的引入，增加了多样性，泛化能力非常强，抗噪声能力强，对缺失值不敏感；
可省略交叉验证，因随机采样；
并继承决策树有的优点，包括：
（1）可得到特征重要性排序，因此可做“特征选择”；
（2）可处理高维特征，且不...]]></description><category></category></item><item><title><![CDATA[机器学习面试笔记整理5-Boosting/Bagging]]></title><link>https://blog.youkuaiyun.com/UniqueenCT/article/details/88929254</link><guid>https://blog.youkuaiyun.com/UniqueenCT/article/details/88929254</guid><author>UniqueenCT</author><pubDate>Sun, 31 Mar 2019 15:12:15 +0800</pubDate><description><![CDATA[机器学习面试笔记整理5-Boosting/Bagging算法思想优缺点面试问题收集
算法思想
多个分类器组合构成一个效果更好的分类器，按照某种规则将各个学习结果进行整合。
优缺点
优点：
1.高精度
2.简单，不用特征筛选
3.不易过拟合
缺点：
1.对异常敏感
面试问题收集
1. bagging为什么能减小方差？
首先从方差的定义来看，是各预测值与期望预测之差平方的期望，那Bagging输出结果...]]></description><category></category></item><item><title><![CDATA[机器学习面试笔记整理4-支持向量机]]></title><link>https://blog.youkuaiyun.com/UniqueenCT/article/details/88914657</link><guid>https://blog.youkuaiyun.com/UniqueenCT/article/details/88914657</guid><author>UniqueenCT</author><pubDate>Sat, 30 Mar 2019 17:07:12 +0800</pubDate><description><![CDATA[机器学习面试笔记整理4-支持向量机算法思想优缺点面试问题收集
算法思想
基于合页损失找到一条最佳分离边界，能把最难分的点（支持向量）分得间隔最大。
优缺点
优点：
1.泛化能力高
2.利用核技巧对非线性样本分类
3.SVM 的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数，可解决高维问题，这在某种意义上避免了“维数灾难”。
4少数支持向量决定了最终结果...]]></description><category></category></item><item><title><![CDATA[机器学习面试笔记整理3-决策树]]></title><link>https://blog.youkuaiyun.com/UniqueenCT/article/details/88913967</link><guid>https://blog.youkuaiyun.com/UniqueenCT/article/details/88913967</guid><author>UniqueenCT</author><pubDate>Sat, 30 Mar 2019 16:16:57 +0800</pubDate><description><![CDATA[机器学习面试笔记整理3-决策树

]]></description><category></category></item><item><title><![CDATA[机器学习面试笔记整理2-逻辑回归]]></title><link>https://blog.youkuaiyun.com/UniqueenCT/article/details/88912678</link><guid>https://blog.youkuaiyun.com/UniqueenCT/article/details/88912678</guid><author>UniqueenCT</author><pubDate>Sat, 30 Mar 2019 14:59:04 +0800</pubDate><description><![CDATA[机器学习面试笔记整理2-逻辑回归算法思想优缺点应用面试问题收集
算法思想
假设数据服从伯努利分布，在训练数据集中基于对数似然函数，利用梯度下降，找出最佳拟合曲线（最佳分类线θTxθ^TxθTx），通过sigmoid输出的概率值将现有样本进行分类。
优缺点
优点：
1.简单高效，计算量小
2.以概率形式输出，也因此可做ranking model
3.可解释性强，可控度高（因每个特征的theta权重都...]]></description><category></category></item><item><title><![CDATA[机器学习面试笔记整理1-朴素贝叶斯]]></title><link>https://blog.youkuaiyun.com/UniqueenCT/article/details/88907824</link><guid>https://blog.youkuaiyun.com/UniqueenCT/article/details/88907824</guid><author>UniqueenCT</author><pubDate>Sat, 30 Mar 2019 10:06:21 +0800</pubDate><description><![CDATA[机器学习面试笔记整理1-朴素贝叶斯算法思想优缺点应用面试问题收集
算法思想
利用训练数据集求得联合概率分布p(x,y)，然后计算后验概率分布p(y|x),最后进行分类argmaxp(y|x)。
优缺点
优点：
1.可增量，by计数修正
2.简单且对缺失数据不敏感
3.简单高效，训练过程超快
4.多分类同样有效，且复杂度不会大幅度上升
5.对于类别类的输入特征变量，效果非常好
6.调参少
7.泛化能...]]></description><category></category></item></channel></rss>