机器学习算法——demo
为脑残的面试问题而生，哈哈~ （1）LR为什么不可以用MSE作为损失函数？ MSE 会有梯度消失现象 MSE 的导数非凸 求最优解困难 （2）L1 相比于 L2 为什么容易获得稀疏解？ （3）L1正则化项如何求导？ 对于目标函数不是处处连续可微的情况，通常是使用次梯度（subgradient）来进行优化，由于次梯度自身的原因会导致两方面问题：求解慢、通常不会产生稀疏解。 Proximal Algo
相关文章
- 1. 机器学习-KNN算法
- 2. 机器学习算法
- 3. 机器学习----kNN算法
- 4. 机器学习算法--GBDT
- 5. 机器学习-算法-EM
- 6. 机器学习算法-gbdt
- 7. 机器学习 —— Bagging算法
- 8. 机器学习——SVM算法
- 9. 机器学习：EM算法
- 10. 【机器学习算法】SVM
- 更多相关文章...
- • 您已经学习了 XML Schema，下一步学习什么呢？ - XML Schema 教程
- • 我们已经学习了 SQL，下一步学习什么呢？ - SQL 教程
- • Kotlin学习（一）基本语法
- • Tomcat学习笔记（史上最全tomcat学习笔记）
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 机器学习-KNN算法
- 2. 机器学习算法
- 3. 机器学习----kNN算法
- 4. 机器学习算法--GBDT
- 5. 机器学习-算法-EM
- 6. 机器学习算法-gbdt
- 7. 机器学习 —— Bagging算法
- 8. 机器学习——SVM算法
- 9. 机器学习：EM算法
- 10. 【机器学习算法】SVM