leetcode积分怎么用
机器学习的面试
面试知识点
参考
一、机器学习
单模型
1、LR的损失函数的公式和函数
2、LR的推导过程
3、LR如何解决共线性，为什么深度学习不强调
4、LR如何防止过拟合
5、LR分布式训练怎么做
6、LR为什么使用Sigmoid
7、SVM的损失函数
8、SVM的推导过程
9、SVM怎么扩展到多分类问题
10、SVM需要解决的重要数学问题是什么
11、LR和SVM的区别
12、Gini系数、信息增益、信息增益率的公式
13、CART回归和分类时节点如何划分的
14、决策树将一个特征全部乘以2会有什么影响
15、反向传播算法的推导
16、贝叶斯原理
17、L_BFGS，DFP推导
18、Kmeans算法，如何选择k的个数
19、DBSCAN介绍
20、GMM算法
21、UBM-GMM模型
集成学习
1、Boosting
和Bagging的比较
2、XGB的推导
3、XGB为什么要用二阶信息不用一阶
4、XGB的VC维
5、LGB、XGB的区别和联系，并行是如何并行的
6、GBDT的原理，以及常用的调参的参数
7、XGB与GBDT的比较
8、RF怎么进行
