继夫的玩弄H辣文的小说|女人与拘性猛交视频|精品欧美高清不卡高清|一起做亏亏的事情的视频|啦啦啦在线视频观看|望月直播下载ios版本|国产日韩欧美一区二区三区

  1. 首頁(yè) > 生活 > >

人工智能-機(jī)器學(xué)習(xí)筆試題目及答案詳解，帶你輕松過(guò)面！

生活百科人工智能

1. 深度學(xué)習(xí)和過(guò)往的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法有什么區(qū)別？列舉幾種深度學(xué)習(xí)的loss，并說(shuō)明意義
深度學(xué)習(xí)是一種方法，神經(jīng)網(wǎng)絡(luò)是個(gè)模型，深度學(xué)習(xí)方法呢可以有效解決層數(shù)多的神經(jīng)網(wǎng)絡(luò)不好學(xué)習(xí)的問(wèn)題，為了讓層數(shù)較多的多層神經(jīng)網(wǎng)絡(luò)可以訓(xùn)練，能夠起作用并演化出來(lái)的一系列的新的結(jié)構(gòu)和新的方法；
結(jié)構(gòu)：一般分為兩大陣營(yíng)，CNN,RNN，感覺這里欠妥，請(qǐng)指正 。
方法：權(quán)重初始化方法（逐層初始化，等） ， 損失函數(shù)，防止過(guò)擬合方法（, BN等） 。
這些方面主要都是為了解決傳統(tǒng)的多層神經(jīng)網(wǎng)絡(luò)的一些不足：梯度消失，過(guò)擬合等 。
分類問(wèn)題常用的損失函數(shù)：
（1）交叉熵?fù)p失函數(shù)，也稱作損失函數(shù) ， 可用于解決多分類問(wèn)題，通過(guò)指數(shù)化將輸出轉(zhuǎn)換成概率的形式；
（2）合頁(yè)損失函數(shù)，一般情況下 ， 交叉熵?fù)p失函數(shù)的效果優(yōu)于合頁(yè)損失函數(shù)；
（3）坡道損失函數(shù)，對(duì)離群點(diǎn)或者噪聲的抗干擾能力強(qiáng)，是一種魯棒性的損失函數(shù) ， 對(duì)誤差較大的區(qū)域會(huì)進(jìn)行截?cái)啵?br /> （4）大間隔損失函數(shù)，保證能夠正確分類的同時(shí)，還滿足增大類間的差異，提升了特征的分辨能力，防止網(wǎng)絡(luò)發(fā)生過(guò)擬合；
（5）中心損失函數(shù) ， 保證能夠正確分類的同時(shí)，還滿足減少類內(nèi)的差異，提升了特征的分辨能力；
回歸問(wèn)題常用的損失函數(shù)：
（1）l1損失函數(shù)，衡量的是預(yù)測(cè)值與真實(shí)值之間的偏差；
（2）l2損失函數(shù) ， 效果 優(yōu)于l1；
（3）tukey‘s 損失函數(shù)，是一種具有魯棒性的損失函數(shù)；
其他任務(wù)的損失函數(shù)：
KL散度損失函數(shù)，衡量的是樣本標(biāo)記分布與真實(shí)標(biāo)記分布的差異，可用于年齡估計(jì)等 。
2. 什么是卷積神經(jīng)網(wǎng)絡(luò)？請(qǐng)說(shuō)明卷積的意義
分開看就明確了 ， “卷積” 和 “神經(jīng)網(wǎng)絡(luò)”.
卷積也就是說(shuō)神經(jīng)網(wǎng)絡(luò)不再是對(duì)每個(gè)像素的輸入信息做處理了,而是圖片上每一小塊像素區(qū)域進(jìn)行處理, 這種做法加強(qiáng)了圖片信息的連續(xù)性. 使得神經(jīng)網(wǎng)絡(luò)能看到圖形, 而非一個(gè)點(diǎn). 這種做法同時(shí)也加深了神經(jīng)網(wǎng)絡(luò)對(duì)圖片的理解.
具體來(lái)說(shuō), 卷積神經(jīng)網(wǎng)絡(luò)有一個(gè)批量過(guò)濾器, 持續(xù)不斷的在圖片上滾動(dòng)收集圖片里的信息,每一次收集的時(shí)候都只是收集一小塊像素區(qū)域, 然后把收集來(lái)的信息進(jìn)行整理, 這時(shí)候整理出來(lái)的信息有了一些實(shí)際上的呈現(xiàn), 比如這時(shí)的神經(jīng)網(wǎng)絡(luò)能看到一些邊緣的圖片信息, 然后在以同樣的步驟, 用類似的批量過(guò)濾器掃過(guò)產(chǎn)生的這些邊緣信息, 神經(jīng)網(wǎng)絡(luò)從這些邊緣信息里面總結(jié)出更高層的信息結(jié)構(gòu),比如說(shuō)總結(jié)的邊緣能夠畫出眼睛,鼻子等等.
卷積的重要的物理意義是：一個(gè)函數(shù)（如：?jiǎn)挝豁憫?yīng)）在另一個(gè)函數(shù)（如：輸入信號(hào)）上的加權(quán)疊加，這就是卷積的意義：加權(quán)疊加，不同的卷積核提供了不同的加權(quán)方式，從而得到魯棒的特征，進(jìn)行參數(shù)共享，大大減少了參數(shù)量，避免過(guò)擬合
3. 什么是中文分詞？ 列舉出幾種你所知的分詞方法
中文分詞就是將中文按語(yǔ)義分出詞語(yǔ)來(lái)，與英文不同，中文詞語(yǔ)之間沒有空格，需要根據(jù)語(yǔ)義經(jīng)驗(yàn)等知識(shí)來(lái)將一組漢字序列進(jìn)行切分出一個(gè)個(gè)詞語(yǔ)
中文分詞主要分為三種：
（1）機(jī)械分詞法：是一種基于詞典的方法 ， 是將文檔中的字符串與詞典中的詞條一一匹配 ， 如果在詞典中找到了某個(gè)字符串 ， 則匹配成功，可以切分，否則不予切分 。該方法實(shí)現(xiàn)簡(jiǎn)單，使用性強(qiáng)，但對(duì)于詞典的完備性要求很高 。
（2）基于語(yǔ)法和規(guī)則的分詞方法：是在分詞的同時(shí)進(jìn)行句法和語(yǔ)義分析，通過(guò)句法和語(yǔ)義信息來(lái)標(biāo)注詞性，以解決分詞歧義的現(xiàn)象 。但漢語(yǔ)語(yǔ)法籠統(tǒng)，復(fù)雜 ， 所以該種方法的精度不盡人意，目前仍處于試驗(yàn)階段 。
（3）基于統(tǒng)計(jì)的分詞法：根據(jù)字符串在語(yǔ)料中出現(xiàn)的統(tǒng)計(jì)詞頻來(lái)判斷其是否構(gòu)成一個(gè)詞 。詞是字的組合 ， 相鄰的字同時(shí)出現(xiàn)的次數(shù)越多越有可能成為一個(gè)詞 。該種方法因精度高 ， 效果穩(wěn)定中文分詞 人工智能 ， 成為目前最流行的一種方法 ， 常見的分詞模型有HMM, CRF, +CRF等
4. 現(xiàn)在深度學(xué)習(xí)在nlp領(lǐng)域有哪些應(yīng)用？ 請(qǐng)具體說(shuō)明
1.機(jī)器翻譯 ， or神經(jīng)機(jī)器翻譯（NMT）在翻譯中提供了統(tǒng)計(jì)方式之外的另一種方式 ， 同時(shí)也更加簡(jiǎn)便 。
2.知識(shí)問(wèn)答 ， 問(wèn)答機(jī)器人 ， 可以用深度學(xué)習(xí)模型 ， 從語(yǔ)料中學(xué)習(xí)獲得一些問(wèn)題的答案 。
3.自然語(yǔ)言生成 ， 能夠根據(jù)一些關(guān)鍵信息及其在機(jī)器內(nèi)部的表達(dá)形式 ， 經(jīng)過(guò)一個(gè)規(guī)劃過(guò)程 ， 來(lái)自動(dòng)生成一段高質(zhì)量的自然語(yǔ)言文本 。
5. 傳統(tǒng)圖像處理提取的sift特征是什么意思？
sift指的是scale，即尺度不變特征變換 。
sift特征是一種對(duì)縮放、旋轉(zhuǎn)、光照變化等不敏感的局部圖像特征，其提取過(guò)程是先生成圖像的尺度空間，然后在尺度空間中檢測(cè)極值點(diǎn)作為關(guān)鍵點(diǎn)，最后利用關(guān)鍵點(diǎn)鄰域的梯度信息生成特征描述符 。
6. 什么叫過(guò)擬合 ， 避免過(guò)擬合都有哪些措施？
答：過(guò)擬合：就是在機(jī)器學(xué)習(xí)中，我么測(cè)試模型的時(shí)候，提高了在訓(xùn)練數(shù)據(jù)集的表現(xiàn)力時(shí)候，但是在訓(xùn)練集上的表現(xiàn)力反而下降了 。
解決方案：
1.正則化
2.在訓(xùn)練模型過(guò)程中，調(diào)節(jié)參數(shù) 。學(xué)習(xí)率不要太大.
3.對(duì)數(shù)據(jù)進(jìn)行交叉驗(yàn)證
4.選擇適合訓(xùn)練集合測(cè)試集數(shù)據(jù)的百分比，選取合適的停止訓(xùn)練標(biāo)準(zhǔn)，使對(duì)機(jī)器的訓(xùn)練在合適
5.在神經(jīng)網(wǎng)絡(luò)模型中，我們可以減小權(quán)重
7. LR和SVM的聯(lián)系與區(qū)別是什么？
1.都是分類算法
2.如果不考慮核函數(shù)，LR和SVM都是線性分類算法，也就是說(shuō)他們的分類決策面都是線性的
3.LR和SVM都是監(jiān)督學(xué)習(xí)算法
4.LR和SVM的損失函數(shù)不同
5.SVM只考慮局部的邊界線附近的點(diǎn)  ， LR考慮全局，遠(yuǎn)離的點(diǎn)對(duì)邊界線的確定也起作用
8. 給你一個(gè)有1000列和1百萬(wàn)行的訓(xùn)練數(shù)據(jù)集，這個(gè)數(shù)據(jù)集是基于分類問(wèn)題的 。經(jīng)理要求你來(lái)降低該數(shù)據(jù)集的維度以減少模型計(jì)算時(shí)間，但你的機(jī)器內(nèi)存有限 。你會(huì)怎么做？（你可以自由做各種實(shí)際操作假設(shè) 。）
1.由于我們的RAM很小，首先要關(guān)閉機(jī)器上正在運(yùn)行的其他程序，包括網(wǎng)頁(yè)瀏覽器等 ， 以確保大部分內(nèi)存可以使用 。
2.我們可以隨機(jī)采樣數(shù)據(jù)集 。這意味著 ， 我們可以創(chuàng)建一個(gè)較小的數(shù)據(jù)集，比如有1000個(gè)變量和30萬(wàn)行，然后做計(jì)算 。
3.為了降低維度，我們可以把數(shù)值變量和分類變量分開，同時(shí)刪掉相關(guān)聯(lián)的變量 。對(duì)于數(shù)值變量，我們將使用相關(guān)性分析；對(duì)于分類變量 ， 我們可以用卡方檢驗(yàn) 。
4.另外 ， 我們還可以使用PCA（主成分分析） ， 并挑選可以解釋在數(shù)據(jù)集中有最大偏差的成分 。
5.利用在線學(xué)習(xí)算法 ， 如（在中可用）是一個(gè)不錯(cuò)的選擇 。
6.利用 （隨機(jī)梯度下降法）建立線性模型也很有幫助 。
7.我們也可以用我們對(duì)業(yè)務(wù)的理解來(lái)估計(jì)各預(yù)測(cè)變量對(duì)響應(yīng)變量的影響的大小 。但是 ， 這是一個(gè)主觀的方法，如果沒有找出有用的預(yù)測(cè)變量可能會(huì)導(dǎo)致信息的顯著丟失 。
基礎(chǔ)人工智能面試題
（1）什么是人工智能？
人工智能 ， 是一個(gè)計(jì)算機(jī)科學(xué)領(lǐng)域，它強(qiáng)調(diào)智能機(jī)器的創(chuàng)造，它像人類一樣工作和反應(yīng) 。
（2）什么是人工智能神經(jīng)網(wǎng)絡(luò)？
人工智能神經(jīng)網(wǎng)絡(luò)可以模擬生物大腦的工作方式，使機(jī)器能夠以與人類相同的方式進(jìn)行思考和學(xué)習(xí)：使它們能像我們一樣識(shí)別語(yǔ)音、物體和動(dòng)物 。
（3）可以使用AI（人工智能）的各個(gè)領(lǐng)域是什么？
人工智能可用于許多領(lǐng)域 ， 如計(jì)算，語(yǔ)音識(shí)別，生物信息學(xué)，人形機(jī)器人 ， 計(jì)算機(jī)軟件，空間和航空等 。
（4）哪種是AI不常用的編程語(yǔ)言？
Perl語(yǔ)言不是AI常用的編程語(yǔ)言 。
（5）AI中的是什么？
在AI中，是一種基于邏輯的編程語(yǔ)言 。
（6）解釋強(qiáng)AI和弱AI之間的區(qū)別？
強(qiáng)大的AI聲稱計(jì)算機(jī)可以在與人類相等的水平上進(jìn)行思考，而弱AI只是預(yù)測(cè)一些類似于人類智能的功能可以合并到計(jì)算機(jī)中，使其成為更有用的工具 。
（7）提到統(tǒng)計(jì)AI和經(jīng)典AI之間的區(qū)別？
統(tǒng)計(jì)AI更“歸納”思想，如給定一組模式，誘導(dǎo)趨勢(shì)等 。經(jīng)典AI更作為一組約束給出的“演繹”思想，推導(dǎo)出一個(gè)結(jié)論等等 。
（8）什么是備用 ， 人工，復(fù)合和自然鍵？
備用密鑰：排除主密鑰所有候選密鑰稱為備用密鑰 。
人工密鑰：如果沒有明顯的密鑰可以單獨(dú)使用或復(fù)合可用，那么最后的方法是，只需創(chuàng)建一個(gè)密鑰，通過(guò)為每個(gè)記錄或事件分配一個(gè)數(shù)字 。這被稱為人工密鑰 。
復(fù)合鍵：當(dāng)沒有單個(gè)數(shù)據(jù)元素唯一地定義構(gòu)造中的出現(xiàn)時(shí)，則集成多個(gè)元素以為構(gòu)造創(chuàng)建唯一標(biāo)識(shí)符稱為復(fù)合鍵 。
自然鍵：自然鍵是存儲(chǔ)在構(gòu)造中的數(shù)據(jù)元素之一，并且用作主鍵 。
（9）FOPL代表并解釋其在人工智能中的作用是什么？
FOPL代表 Logic提供的First OrderLogic
a）表達(dá)關(guān)于某些“世界”的斷言的語(yǔ)言
b）演繹設(shè)備的推理系統(tǒng)，我們可以從這種斷言中得出結(jié)論
c）基于集合論的語(yǔ)義
（10）FOPL的語(yǔ)言是什么？
a）一組常數(shù)符號(hào)
b）一組變量
c）一組謂詞符號(hào)
d）一組功能符號(hào)
e）邏輯連詞
f）通用量詞和存在限定符
g）平等的特殊二元關(guān)系
【人工智能-機(jī)器學(xué)習(xí)筆試題目及答案詳解，帶你輕松過(guò)面！】（11）在自上而下的歸納學(xué)習(xí)方法中，有多少文字可用？它們都是什么？
自上而下的歸納學(xué)習(xí)方法有三種文字：
a）謂詞
b）平等和不平等
c）算術(shù)文字
（12）使用哪種算法求解時(shí)間概率推理？
為了解決時(shí)間概率推理，使用HMM（隱馬爾可夫模型），與轉(zhuǎn)換和傳感器模型無(wú)關(guān)
(13）人工智能中的神經(jīng)網(wǎng)絡(luò)是什么？
在人工智能中，神經(jīng)網(wǎng)絡(luò)是生物神經(jīng)系統(tǒng)的仿真，它接收數(shù)據(jù)，處理數(shù)據(jù)并根據(jù)算法和經(jīng)驗(yàn)數(shù)據(jù)給出輸出 。
機(jī)器學(xué)習(xí)工程師面試
1、你會(huì)在時(shí)間序列數(shù)據(jù)集上使用什么交叉驗(yàn)證技術(shù)？是用k倍或LOOCV？
都不是 。對(duì)于時(shí)間序列問(wèn)題，k倍可能會(huì)很麻煩，因?yàn)榈?年或第5年的一些模式有可能跟第3年的不同，而對(duì)數(shù)據(jù)集的重復(fù)采樣會(huì)將分離這些趨勢(shì)，而我們最終可能只是需要對(duì)過(guò)去幾年的進(jìn)行驗(yàn)證，這就不能用這種方法了 。相反，我們可以采用如下所示的5倍正向鏈接策略：
fold 1 :[1], test [2]
fold 2 :[1 2], test [3]
fold 3 :[1 2 3], test [4]
fold 4 :[1 2 3 4], test [5]
fold 5 :[1 2 3 4 5], test [6]
1，2，3，4 ， 5，6代表的是年份 。
2、你是怎么理解偏差方差的平衡的？
從數(shù)學(xué)的角度來(lái)看，任何模型出現(xiàn)的誤差可以分為三個(gè)部分 。以下是這三個(gè)部分：
偏差誤差在量化平均水平之上，預(yù)測(cè)值跟實(shí)際值相差多遠(yuǎn)時(shí)有用 。高偏差誤差意味著我們的模型表現(xiàn)不太好，因?yàn)闆]有抓到重要的趨勢(shì) 。而另一方面，方差量化了在同一個(gè)觀察上進(jìn)行的預(yù)測(cè)是如何彼此不同的 。高方差模型會(huì)過(guò)度擬合你的訓(xùn)練集，而在訓(xùn)練集以外的數(shù)據(jù)上表現(xiàn)很差 。
3、給你一個(gè)有1000列和1百萬(wàn)行的訓(xùn)練數(shù)據(jù)集，這個(gè)數(shù)據(jù)集是基于分類問(wèn)題的 。經(jīng)理要求你來(lái)降低該數(shù)據(jù)集的維度以減少模型計(jì)算時(shí)間，但你的機(jī)器內(nèi)存有限 。你會(huì)怎么做？（你可以自由做各種實(shí)際操作假設(shè) 。）
你的面試官應(yīng)該非常了解很難在有限的內(nèi)存上處理高維的數(shù)據(jù) 。以下是你可以使用的處理方法：
1.由于我們的RAM很小，首先要關(guān)閉機(jī)器上正在運(yùn)行的其他程序，包括網(wǎng)頁(yè)瀏覽器等，以確保大部分內(nèi)存可以使用 。
2.我們可以隨機(jī)采樣數(shù)據(jù)集 。這意味著，我們可以創(chuàng)建一個(gè)較小的數(shù)據(jù)集，比如有1000個(gè)變量和30萬(wàn)行 ， 然后做計(jì)算 。
3.為了降低維度，我們可以把數(shù)值變量和分類變量分開，同時(shí)刪掉相關(guān)聯(lián)的變量 。對(duì)于數(shù)值變量，我們將使用相關(guān)性分析；對(duì)于分類變量，我們可以用卡方檢驗(yàn) 。
4.另外，我們還可以使用PCA（主成分分析） ， 并挑選可以解釋在數(shù)據(jù)集中有最大偏差的成分 。
5.利用在線學(xué)習(xí)算法，如（在中可用）是一個(gè)不錯(cuò)的選擇 。
6.利用 （隨機(jī)梯度下降法）建立線性模型也很有幫助 。
7.我們也可以用我們對(duì)業(yè)務(wù)的理解來(lái)估計(jì)各預(yù)測(cè)變量對(duì)響應(yīng)變量的影響的大小 。但是，這是一個(gè)主觀的方法，如果沒有找出有用的預(yù)測(cè)變量可能會(huì)導(dǎo)致信息的顯著丟失 。
4、全球平均溫度的上升導(dǎo)致世界各地的海盜數(shù)量減少 。這是否意味著海盜的數(shù)量減少引起氣候變化？
不能夠這樣說(shuō) 。這是一個(gè)“因果關(guān)系和相關(guān)性”的經(jīng)典案例 。全球平均溫度和海盜數(shù)量之間有可能有相關(guān)性，但基于這些信息，我們不能說(shuō)因?yàn)槿蚱骄鶜鉁氐纳仙鴮?dǎo)致了海盜的消失 。我們不能斷定海盜的數(shù)量減少是引起氣候變化的原因 ， 因?yàn)榭赡苡衅渌蛩兀摲蚧祀s因素）影響了這一現(xiàn)象 。
5、給你一個(gè)數(shù)據(jù)集，這個(gè)數(shù)據(jù)集有缺失值，且這些缺失值分布在離中值有1個(gè)標(biāo)準(zhǔn)偏差的范圍內(nèi) 。百分之多少的數(shù)據(jù)不會(huì)受到影響？為什么？
約有32%的數(shù)據(jù)將不受缺失值的影響 。因?yàn)?，由于?shù)據(jù)分布在中位數(shù)附近，讓我們先假設(shè)這是一個(gè)正態(tài)分布 。我們知道，在一個(gè)正態(tài)分布中中文分詞 人工智能，約有68%的數(shù)據(jù)位于跟平均數(shù)（或眾數(shù)、中位數(shù)）1個(gè)標(biāo)準(zhǔn)差范圍內(nèi)，那么剩下的約32%的數(shù)據(jù)是不受影響的 。因此，約有32%的數(shù)據(jù)將不受缺失值的影響 。
6、你意識(shí)到你的模型受到低偏差和高方差問(wèn)題的困擾 。那么，應(yīng)該使用哪種算法來(lái)解決問(wèn)題呢？為什么？
可以使用算法（如隨機(jī)森林） 。因?yàn)?，低偏差意味著模型的預(yù)測(cè)值接近實(shí)際值，換句話說(shuō) ， 該模型有足夠的靈活性，以模仿訓(xùn)練數(shù)據(jù)的分布 。這樣貌似很好，但是別忘了，一個(gè)靈活的模型沒有泛化能力 ， 意味著當(dāng)這個(gè)模型用在對(duì)一個(gè)未曾見過(guò)的數(shù)據(jù)集進(jìn)行測(cè)試的時(shí)候，它會(huì)令人很失望 。在這種情況下 ， 我們可以使用算法（如隨機(jī)森林），以解決高方差問(wèn)題 。算法把數(shù)據(jù)集分成重復(fù)隨機(jī)取樣形成的子集 。然后，這些樣本利用單個(gè)學(xué)習(xí)算法生成一組模型 。接著 ， 利用投票（分類）或平均（回歸）把模型預(yù)測(cè)結(jié)合在一起 。另外，為了應(yīng)對(duì)大方差 ， 我們可以：
1.使用正則化技術(shù)，懲罰更高的模型系數(shù) ， 從而降低了模型的復(fù)雜性 。
2.使用可變重要性圖表中的前n個(gè)特征 ?？梢杂糜诋?dāng)一個(gè)算法在數(shù)據(jù)集中的所有變量里很難尋找到有意義信號(hào)的時(shí)候 。
7、協(xié)方差和相關(guān)性有什么區(qū)別？
相關(guān)性是協(xié)方差的標(biāo)準(zhǔn)化格式 。協(xié)方差本身很難做比較 。
例如：如果我們計(jì)算工資（$）和年齡（歲）的協(xié)方差，因?yàn)檫@兩個(gè)變量有不同的度量，所以我們會(huì)得到不能做比較的不同的協(xié)方差 。為了解決這個(gè)問(wèn)題，我們計(jì)算相關(guān)性來(lái)得到一個(gè)介于-1和1之間的值 ， 就可以忽略它們各自不同的度量 。
8、真陽(yáng)性率和召回有什么關(guān)系？寫出方程式 。
真陽(yáng)性率=召回 。它們有相同的公式（TP / TP + FN） 。
9、 算法（GBM）和隨機(jī)森林都是基于樹的算法，它們有什么區(qū)別？
最根本的區(qū)別是 ， 隨機(jī)森林算法使用技術(shù)做出預(yù)測(cè)；而GBM是采用技術(shù)做預(yù)測(cè)的 。在技術(shù)中，數(shù)據(jù)集用隨機(jī)采樣的方法被劃分成n個(gè)樣本 。然后，使用單一的學(xué)習(xí)算法，在所有樣本上建模 。接著利用投票或者求平均來(lái)組合所得到的預(yù)測(cè) 。是平行進(jìn)行的，而是在第一輪的預(yù)測(cè)之后，算法將分類出錯(cuò)的預(yù)測(cè)加高權(quán)重，使得它們可以在后續(xù)一輪中得到校正 。這種給予分類出錯(cuò)的預(yù)測(cè)高權(quán)重的順序過(guò)程持續(xù)進(jìn)行 ， 一直到達(dá)到停止標(biāo)準(zhǔn)為止 。隨機(jī)森林通過(guò)減少方差（主要方式）提高模型的精度 。生成樹之間是不相關(guān)的，以把方差的減少最大化 。在另一方面 ， GBM提高了精度，同時(shí)減少了模型的偏差和方差 。
10、在k-means或kNN，我們是用歐氏距離來(lái)計(jì)算最近的鄰居之間的距離 。為什么不用曼哈頓距離？
我們不用曼哈頓距離 ， 因?yàn)樗挥?jì)算水平或垂直距離，有維度的限制 。另一方面 ， 歐氏距離可用于任何空間的距離計(jì)算問(wèn)題 。因?yàn)?，?shù)據(jù)點(diǎn)可以存在于任何空間，歐氏距離是更可行的選擇 。例如：想象一下國(guó)際象棋棋盤 ， 象或車所做的移動(dòng)是由曼哈頓距離計(jì)算的，因?yàn)樗鼈兪窃诟髯缘乃胶痛怪狈较蜃龅倪\(yùn)動(dòng) 。
本文到此結(jié)束 ， 希望對(duì)大家有所幫助 。