摘要：
EM算法的推导 阅读全文
摘要：
利用学习曲线判断是否过拟合和欠拟合 过拟合和欠拟合的处理： 其实不全啊，不想补了 过拟合原因： 1、数据N太小 2、噪声数据 3、模型过于复杂 过拟合：1）找更多的数据来学习，2)增大正则化系数 3）减少特征的个数（不太推荐） 欠拟合：1）找更多的特征 2)减少正则化系数 阅读全文
摘要：
L1正则化和L2正则化的区别：L1起截断作用，L2起缩放作用（不让参数θ过大） L1稀疏，L2平滑作用 L1的稀疏化性质去掉无关特征，只留下相关特征 L2如果特征有些是共线性的，L1会扔掉这些特征，导致模型误差较大 数据和特征处理 数据清洗 正负样本不平衡的处理方法：上采样，下采样，修改损失函数 数 阅读全文
摘要：
损失函数是对数损失函数 对损失函数求导：和线性回归的求导结果一样： 离散化： 快 稀疏化 给线性模型带来一定的非线性 模型稳定 在一定程度上降低过拟合风险 阅读全文
摘要：
方法一：头插法 方法二：递归法 #include<iostream>using namespace std;#include<vector>#include<algorithm>#include<string>#include<string.h>#include<queue>#include<alg 阅读全文