机器学习面试真题1000题详细讲解（七）
python进阶教程
机器学习
深度学习
长按二维码关注
进入正文
201 最小二乘法是线性回归的一种解决方法，其实也是投影，但是并没有进行降维。下面哪些是基于核的机器学习算法?（）
202 
203 
解析详见：http://blog.csdn.net/snoopy_yuan/article/details/71703019
204 神经网络中激活函数的真正意义？一个激活函数需要具有哪些必要的属性？还有哪些属性是好的属性但不必要的？205 梯度下降法的神经网络容易收敛到局部最优，为什么应用广泛？
https://www.zhihu.com/question/68109802/answer/262143638
人们直观的想象，高维的时候这样的局部极值会更多，指数级的增加，于是优化到全局最优就更难了。然而单变量到多变量一个重要差异是，单变量的时候，Hessian矩阵只有一个特征值，于是无论这个特征值的符号正负，一个临界点都是局部极值。但是在多变量的时候，Hessian有多个不同的特征值，这时候各个特征值就可能会有更复杂的分布，如有正有负的不定型和有多个退化特征值（零特征值）的半定型
在后两种情况下，是很难找到局部极值的，更别说全局最优了。207 请比较下EM算法、HMM、CRF。
208 带核的SVM为什么能分类非线性问题？
（2）Boosting之AdaBoost 
其次，两者都是线性模型。
209 用贝叶斯机率说明Dropout的原理
DeepFace 先进行了两次全卷积＋一次池化，提取了低层次的边缘／纹理等特征。后接了3个Local-Conv层，这里是用Local-Conv的原因是，人脸在不同的区域存在不同的特征（眼睛／鼻子／嘴的分布位置相对固定），当不存在全局的局部特征分布时，Local-Conv更适合特征的提取。210 什么是共线性, 跟过拟合有什么关联?211 为什么网络够深(Neurons 足够多)的时候，总是可以避开较差Local Optima？212 机器学习中的正负样本213 机器学习中，有哪些特征选择的工程方法？214 在一个n维的空间中， 最好的检测outlier(离群点)的方法是（）
（协方差矩阵中每个元素是各个矢量元素之间的协方差Cov(X,Y)，Cov(X,Y) = E{ [X-E(X)] [Y-E(Y)]}，其中E为数学期望）
若协方差矩阵是单位矩阵（各个样本向量之间独立同分布）,则公式就成了：
也就是欧氏距离了。 215 对数几率回归（logistics regression）和一般回归分析有什么区别？216 bootstrap数据是什么意思？（提示：考“bootstrap”和“boosting”区别）217 “过拟合”只在监督学习中出现，在非监督学习中，没有“过拟
合”，这是（）218 对于k折交叉验证, 以下对k的说法正确的是（）219 回归模型中存在多重共线性, 你如何解决这个问题？220 模型的高bias是什么意思, 我们如何降低它 ？221 训练决策树模型, 属性节点的分裂, 具有最大信息增益的图是下图的哪一个（）
A. Outlook222 对于信息增益, 决策树分裂节点, 下面说法正确的是（）223 如果SVM模型欠拟合, 以下方法哪些可以改进模型 （）
而, gamma参数是你选择径向基函数作为kernel后,该函数自带的一个参数.隐含地决定了数据映射到新的特征空间后的分布.224 下图是同一个SVM模型, 但是使用了不同的径向基核函数的gamma参数, 依次是g1, g2, g3 , 下面大小比较正确的是：
A. g1 > g2 > g3225 假设我们要解决一个二类分类问题, 我们已经建立好了模型, 输出是0或1, 初始时设阈值为0.5, 超过0.5概率估计, 就判别为1, 否则就判别为0 ; 如果我们现在用另一个大于0.5的阈值, 那么现在关于模型说法, 正确的是 : 226 假设, 现在我们已经建了一个模型来分类, 而且有了99%的预测准确率, 我们可以下的结论是 : 227 使用k=1的knn算法, 下图二类分类问题, “+” 和 “o” 分别代表两个类, 那么, 用仅拿出一个测试样本的交叉验证方法, 交叉验证的错误率是多少：
A. 0%228 我们想在大数据集上训练决策树, 为了使用较少时间, 我们可以：229 决策树没有学习率参数可以调. (不像集成学习和其它有步长的学习方法)决策树只有一棵树, 不是随机森林.230 假如我们使用非线性可分的SVM目标函数作为最优化对象, 我们怎么保证模型线性可分？
1.
2.
3.
4.
5.
6.
7.
8.
赶紧关注我们吧
您的点赞和分享是我们进步的动力!
↘↘↘