这篇博客汇总了机器学习面试中常见的基础概念，包括处理分类、回归、聚类和推荐系统问题的算法，如SVM、LR、朴素贝叶斯等；模型融合与提升方法，如Bagging、Boosting；深度学习相关问题，如神经网络结构、优化算法等。此外，还涵盖了Scikit-learn和Libsvm库的使用，以及如何应对数据问题和模型评估。
目录
1、处理分类问题常用算法
1、交叉熵公式
2、LR公式
3 LR的推导，损失函数
4、逻辑回归怎么实现多分类
5 、SVM中什么时候用线性核什么时候用高斯核?
6、什么是支持向量机,SVM与LR的区别?
7.监督学习和无监督学习的区别
8.机器学习中的距离计算方法?
9、问题：朴素贝叶斯（naive Bayes）法的要求是？
10、问题：训练集中类别不均衡，哪个参数最不准确？
11、问题：你用的模型，最有挑战性的项目
12、问题：SVM的作用，基本实现原理；
13、问题：SVM的硬间隔，软间隔表达式；
14、问题：SVM使用对偶计算的目的是什么，如何推出来的，手写推导；
15、问题：SVM的物理意义是什么；
16、问题：如果给你一些数据集，你会如何分类ÿ
订阅专栏 解锁全文
扫一扫
15万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
