更多请关注"机器学习算法面试"
相同点
(1)两者的作用是用来降维的
(2)两者都假设符合高斯分布
不同点
(1)LDA是有监督的降维方法,PCA是无监督的。
(2)LDA降维最多降到类别数K-1的维数,PCA没有这个限制。
(3)LDA更依赖均值,如果样本信息更依赖方差的话,效果将没有PCA好。
(4)LDA可能会过拟合数据。
-------更多面试题----
基础概念
逻辑回归与朴素贝叶斯有什么区别
机器学习学习方式主要有哪些?
监督学习的步骤主要有哪些?
逻辑回归与朴素贝叶斯有什么区别
线性回归和逻辑回归的区别
代价函数,损失函数和目标函数的区别?
随机梯度下降法、批量梯度下降法有哪些区别?
LDA和PCA区别?
降维的必要性和目的是什么?
误差、偏差和方差的区别是啥?
梯度下降法缺点
批量梯度下降和随机梯度下降法的缺点?
如何对梯度下降法进行调优?
如何解决欠拟合
过拟合原因
如何解决过拟合
GBM
简单介绍一下XGBoost
XGBoost与GBDT的联系和区别有哪些?
为什么XGBoost泰勒二阶展开后效果就比较好呢?
XGBoost对缺失值是怎么处理的?
XGBoost为什么快
XGBoost防止过拟合的方法
XGBoost为什么若模型决策树的叶子节点值越大,越容易过拟合呢?
XGBoost为什么可以并行训练?
XGBoost中叶子结点的权重如何计算出来
XGBoost中的一棵树的停止生长条件