11本電子書放文末，自取~?

1、Kmeans與Kmeans++的區(qū)別：

Kmeans：是一種迭代的聚類方法，用于將n個(gè)點(diǎn)分為k個(gè)聚類。其初始的質(zhì)心通常是隨機(jī)選擇的，這可能導(dǎo)致算法陷入局部最優(yōu)解。

Kmeans++：對(duì)Kmeans的初始化進(jìn)行了優(yōu)化，以期望得到一個(gè)比傳統(tǒng)Kmeans更好的、全局的初始解。在Kmeans++中，第一個(gè)質(zhì)心是從數(shù)據(jù)點(diǎn)中隨機(jī)選擇的，之后的質(zhì)心是在數(shù)據(jù)點(diǎn)中按一個(gè)特定的概率分布選擇的，其中距離當(dāng)前已選擇質(zhì)心集更遠(yuǎn)的點(diǎn)有更高的概率被選擇。

2、SVM和Logistic Regression的區(qū)別：

SVM (支持向量機(jī))：是一種分類和回歸的算法。對(duì)于分類問題，SVM試圖找到一個(gè)超平面來最大化兩個(gè)類別之間的邊界。關(guān)鍵點(diǎn)是支持向量，即距離超平面最近的那些點(diǎn)。

Logistic Regression：是一個(gè)用于估計(jì)類別概率的統(tǒng)計(jì)方法。輸出是兩個(gè)類之間的概率，通常使用sigmoid函數(shù)。當(dāng)這個(gè)概率超過某個(gè)閾值(如0.5)時(shí)，將其歸為某一類。

3、常見的距離函數(shù)：

歐氏距離：二維或多維空間中兩點(diǎn)之間的“直線”距離。

曼哈頓距離：在一個(gè)格子化的平面上，兩點(diǎn)之間的距離是沿格子邊界行走的距離。

切比雪夫距離：兩點(diǎn)之間的距離是它們坐標(biāo)差的最大值。

余弦相似度：衡量?jī)蓚€(gè)向量的方向的相似度，但不考慮它們的大小。

還有其他許多距離函數(shù)，具體的選擇取決于應(yīng)用場(chǎng)景。

4、介紹XGBoost：

XGBoost是“Extreme Gradient Boosting”的縮寫，是一個(gè)優(yōu)化的分布式梯度增強(qiáng)庫，用于實(shí)現(xiàn)機(jī)器學(xué)習(xí)中的提升樹算法。XGBoost提供了并行樹提升和特定硬件優(yōu)化功能，使其訓(xùn)練速度快于許多其他提升樹實(shí)現(xiàn)。

XGBoost的特點(diǎn)包括處理缺失值、剪枝、交叉驗(yàn)證、正則化等。

5、Bagging與Boosting的區(qū)別：

Bagging (Bootstrap Aggregating)：主要的思想是從原始數(shù)據(jù)集中隨機(jī)地抽取子集，并在每個(gè)子集上訓(xùn)練模型。所有模型的預(yù)測(cè)結(jié)果會(huì)被平均（回歸問題）或投票（分類問題）來得到最終的預(yù)測(cè)結(jié)果。代表算法：隨機(jī)森林。

Boosting：是一個(gè)迭代的過程，其中每一步都增加了一個(gè)新的模型，這個(gè)模型試圖糾正前一個(gè)模型的錯(cuò)誤。Boosting通常會(huì)賦予被錯(cuò)誤分類的樣本更高的權(quán)重，以便下一個(gè)模型能更加關(guān)注這些樣本。代表算法：AdaBoost, Gradient Boosting, XGBoost等。

6、L1和L2正則化：

L1正則化：也稱為L(zhǎng)asso正則化，將權(quán)重向量的絕對(duì)值之和添加到損失函數(shù)中。這可以導(dǎo)致某些特征的權(quán)重為0，從而實(shí)現(xiàn)了特征選擇。

L2正則化：也稱為Ridge正則化，將權(quán)重向量的平方值之和添加到損失函數(shù)中。這防止權(quán)重變得過大，但通常不會(huì)使權(quán)重變?yōu)?。

看完本篇如果對(duì)你有用請(qǐng)三連，你的支持是我持續(xù)輸出的動(dòng)力，感謝，筆芯~
↓ ↓ ↓以下11本書電子版免費(fèi)領(lǐng)，直接送 ，想要哪本私我下說聲，我發(fā)你↓ ↓ ↓

以上8本+《2022年Q3最新大廠面試題》+《2022年Q4最新大廠面試題》電子書，部分截圖如下：

第11本電子書《2023年最新大廠面試題Q1版》>>>

https://www.julyedu.com/course/getDetail/484? ?