机器学习岗位面试问题汇总 之 线性回归和LR模型
2017-06-21 17:16
459 查看
线性回归
基本思想:用梯度下降法对最小二乘法行社的误差函数进行优化几个式子:(1)假设 (2)优化目标 (3)梯度下降法(包括推导+特征缩放的目的)
优缺点:实现简单,但不能拟合非线性数据
LR模型
概念:分类、事件发生的概率、本质上是线性回归模型(解释为什么)几个式子:(1)假设 (2)优化目标(推导) (3)梯度下降法(推导)
优点:实现简单,分类时计算量小、速度快、存储资源要求低
缺点:容易过拟合、一般准确度不高,原始的LR模型只能处理2分类问题
解决过拟合的方法:数据扩充、正则项、提前终止
如何用LR建立一个广告点击的模型:
特征提取—>特征处理(离散化、归一化、onehot等)—>找出候选集—->模型训练,得到结果
为什么LR需要归一化或取对数?
符合假设、利于分析、归一化也有利于梯度下降
为什么LR把特征离散化后效果更好?
引入非线性
LR的特性:
(1)可用于概率预测、也可用于分类 (2)只能用于线性问题 (3)各feature之间不需要满足条件独立假设,但各个feature的贡献独立计算
参考:
《统计学习方法》,李航
《机器学习》,周志华
《斯坦福大学2014机器学习课程笔记》,Andrew Ng主讲,黄海广整理笔记
http://blog.csdn.net/sunpeng19960715/article/details/54745895
相关文章推荐
- 机器学习岗位面试问题汇总 之 深度学习
- 机器学习岗位面试问题汇总 之 集成学习
- 机器学习岗位面试问题汇总 之 总体性问题
- 机器学习岗位面试问题汇总 之 SVM
- 机器学习LR模型,在面试中经常被问到的问题
- 面试机器学习、大数据岗位时遇到的各种问题
- 机器学习面试问题汇总
- 机器学习面试问题汇总
- 在面试机器学习、大数据岗位时遇到的各种问题
- 我在面试机器学习、大数据岗位时遇到的各种问题
- 机器学习面试问题汇总
- [置顶] 机器学习面试问题汇总—史上最详细
- 机器学习面试问题汇总
- 面试机器学习、大数据岗位时遇到的各种问题
- 在面试机器学习、大数据岗位时遇到的各种问题
- 面试机器学习、大数据岗位时遇到的各种问题
- 面试问题(非编程)汇总
- 我面试JavaEE时问到的问题汇总
- 【程序猿笔试面试解题指南】链表问题汇总
- 面试跟序列有关的问题汇总