dataastron的博客

总结了三种方法： （1）直接删除法，会舍弃数据中的一些重要信息；减少了样本量 （2）基于统计学的填充方法， 总结下主要有如均值填充，中值填充，常用值填充，众数填充 （3）机器学习的填充方法，通过算法预测缺失值。 ...

梯度下降法和牛顿法的区别与对比 李航小蓝书附录1和2介绍了梯度下降法和牛顿法（包括拟牛顿法） （1）从阶数来看。梯度下降法是一阶优化算法，牛顿法是二阶优化算法 （2）从收敛速度来看。牛顿法的收敛速度相比梯度下降法常常较快 （3）从计算速度来看。从牛顿法每次需要更新一个二维矩阵，计算代价很大，实际使用中常使用拟牛顿法 （4）对于神经网络的训练选择。 牛顿法对初始值有一定要求，在非凸优化问题中（如神经网络训练），牛顿法很容易陷入鞍点（牛顿法步长会越来越小），而梯度下降法则很容易逃离鞍点（因此在神经网络训练中一般

对于任意支撑向量 核函数 高斯核函数rbf

不完全监督：只有一部分训练数据具备标签； 不确切监督：训练数据只具备粗粒度标签； 不准确监督：给出的标签并不总是真值 参考论文整理。