距离上次挖坑已经一个月了，，，好好好，我写还不行嘛，Machine Learning 走起！
目录：
机器学习常见面试问题汇总
问题汇总（1）：逻辑回归
问题汇总（2）：支持向量机
问题汇总（3）：树模型
问题汇总（4）：聚类
问题汇总（5）：神经网络
问题汇总（6）：EM算法
问题汇总（7）：朴素贝叶斯
先来几个引用：
这些面试问题你一定要知道
各种面试问题：数据结构、算法、概率题、智商题、大数据题......
milter的简书（里面机器学习部分）
L1正则和L2正则的异同
- L1范数也称最小绝对误差（least absolute errors），是最小化目标值yi和估计值f(xi)绝对差值的求和，L2范数也称为最小均方(least squares)，它是最小化目标值yi和估计值f(xi)平方和。
- LI-norm鲁棒性比L2-norm要好些。如L2-norm，由于是均方误差，如果误差>1的话，那么平方后，相比L1-norm而言，误差就会被放大很多。因此模型会对样例更敏感。如果样例是一个异常值，模型会调整最小化异常值的情况，以牺牲其它更一般样例为代价，因为相比单个异常样例，那些一般的样例会得到更小的损失误差。
- L1 有内置的特征选择（Built-in feature selection）。其实就是因为L1 具有稀疏性。 因为最优的参数值很大概率出现在坐标轴上，这样就会导致某一维的权重为0 ，产生稀疏权重矩阵。此时会有很多系数变为0，从而使很多特征0贡献。而L2只会让系数趋近于0，但很少为0。
- L1 倾向于特征选择，而L2倾向于处理过拟合。
从中引发的小问题：
实现参数的稀疏有什么好处？
1.参数的稀疏，在一定程度上实现了特征的选择。
2.参数稀疏，计算速度会快。
如何解决 L1 求导困难问题？
1.找一个近似公式取代|w|。
2.坐标轴下降法。
3.最小角回归法。
梯度消失和梯度爆炸
（这个问题应该属于神经网络或者说深度学习了把？等我回头再挖一坑，再开一篇，然后把这个内容搬过去）
梯度消失：这玩意就是链式求导，然后连乘导致的，尤其是激活函数用sigmoid的时候，毕竟求导完毕最大也只有1/4，当然tanh也好不到哪里去，求导最大值也就是1。RNN也很容易出现这种问题，不过LSTM可以帮助避免（RNN在做乘法，LSTM在做加法）。
sigmoid公式及其导数如下：
tanh公式及其导数如下：
梯度爆炸：连乘也会导致梯度爆炸，不过 Boom！的概率小一点。但是当求导时遇到“悬崖”，也就是梯度变化很大时，也会引起梯度爆炸。
解决办法：
- 预训练加微调
- 梯度剪切（主要针对梯度爆炸，计算出的梯度大于某个值，就让其等于该值，也就是设置了上限）
- 权重正则化（weithts regularization）比较常见的是 L1 和 L2 正则。
- 使用relu、leakyrelu、elu等激活函数。
- Batch Normalization（这玩意是个好东西）
- 残差结构 ResNet。
- LSTM（针对RNN，主要解决梯度消失，但好像，爆炸问题不能完全解决掉？）
防止过拟合的方法
- 手动删除多余的特征（带来负面影响的）
- 发掘新特征
- Early Stopping
- 数据集扩充(Data Augmentation)
- 正则化法(L1、L2)
- Dropout
- 多任务学习（硬共享和软共享）
- 常见集成学习方法，随机森林等
- 深度学习里面可以通过调整模型，如深度、宽度、filter数量等
- 树模型处理过拟合还有剪枝方法（预剪枝：会带来欠拟合风险、后剪枝：训练时间开销大）
防止欠拟合方法：
- 从数据层面上考虑：可以增加新特征，例如，组合、泛化、相关性、高次特征，来增大假设空间等;
- 从模型层面上考虑：增加模型的复杂度，例如SVM的核函数，决策树不进行剪枝、DNN等更复杂的模型，去掉正则化项或者减小正则化参数，加深训练迭代数等。
网友评论