• 集成学习一览
• 1. Bagging
• 2. Boosting
• 3. Stacking
• QA
  • 0. Boosting 与 Bagging 区别
  • 1. Boosting, Bagging 与偏差，方差

• 1. 频率派 vs 贝叶斯派
  • 频率派
  • 贝叶斯派
• 2. 极大似然估计 vs 最大后验估计
  • 1. 极大似然估计 - MLE
  • 2. 最大后验估计 - MAP
• QA
  • 1. 极大似然估计与最大后验概率的区别？
  • 2. 概率与似然的区别
  • 3. 贝叶斯派与频率学派的区别

概率图模型 - HMM

模型 - KNN

• 简介
• 算法步骤
• K 的选择
• QA
  • 1. KNN 中为何采用欧式距离而不采用曼哈顿距离？
  • 2.

模型 - LDA

简介

LDA 叫做线性判别分析，又叫做Fisher 线性判别函数， 其是一种有监督的降维技术，其思想为：投影后类内方差最小，类间方差最大。

简单来说，我们将数据向低维超平面上投影时， 投影后希望每一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心点的距离尽可能的大。

​

模型 - 回归树

CART 用于回归

https://blog.csdn.net/weixin_36586536/article/details/80468426

聚类算法

模型 - 谱聚类

降维 - PCA

QA

1. PCA 中第一主成分是第一的原因？

https://www.nowcoder.com/questionTerminal/7e9febebe3d3467ca5ea17e013d416f0

2. 讲一下 PCA

PCA是比较常见的线性降维方法，通过线性投影将高维数据映射到低维数据中。 所期望的是在投影的维度上，新特征自身的方差尽量大，方差越大特征越有效，尽量使产生的新特征间的相关性越小。

PCA算法的具体操作为对所有的样本进行中心化操作，计算样本的协方差矩阵，然后对协方差矩阵做特征值分解，取最大的n个特征值对应的特征向量构造投影矩阵。

集成学习 - GBDT

• 1. Boosting 思想
• 2. GBDT
  • 1. GBDT 思想