BAT机器学习面试1000题系列(196-200题)

196.L1与L2范数

在Logistic Regression 中,如果同时加入L1和L2范数,会产生什么效果()

A.可以做特征选择,并在一定程度上防止过拟合

B.能解决维度灾难问题

C.能加快计算速度

D.可以获得更准确的结果


正确答案:A

@刘炫320,本题题目及解析来源:blog.csdn.net/column/de

L1范数具有系数解的特性,但是要注意的是,L1没有选到的特征不代表不重要,原因是两个高相关性的特征可能只保留一个。如果需要确定哪个特征重要,再通过交叉验证。

在代价函数后面加上正则项,L1即是Losso回归,L2是岭回归。L1范数是指向量中各个元素绝对值之和,用于特征选择。L2范数 是指向量各元素的平方和然后求平方根,用于 防止过拟合,提升模型的泛化能力。因此选择A。

对于机器学习中的范数规则化,也就是L0,L1,L2范数的详细解答,请参阅《范数规则化》(blog.csdn.net/zouxy09/a)


197.正则化

机器学习中L1正则化和L2正则化的区别是?

A.使用L1可以得到稀疏的权值

B.使用L1可以得到平滑的权值

C.使用L2可以得到稀疏的权值

D.使用L2可以得到平滑的权值


正确答案:AD

@刘炫320,本题题目及解析来源:blog.csdn.net/column/de

L1正则化偏向于稀疏,它会自动进行特征选择,去掉一些没用的特征,也就是将这些特征对应的权重置为0.

L2主要功能是为了防止过拟合,当要求参数越小时,说明模型越简单,而模型越简单则,越趋向于平滑,从而防止过拟合。

L1正则化/Lasso

L1正则化将系数w的l1范数作为惩罚项加到损失函数上,由于正则项非零,这就迫使那些弱的特征所对应的系数变成0。因此L1正则化往往会使学到的模型很稀疏(系数w经常为0),这个特性使得L1正则化成为一种很好的特征选择方法。

L2正则化/Ridge regression

L2正则化将系数向量的L2范数添加到了损失函数中。由于L2惩罚项中系数是二次方的,这使得L2和L1有着诸多差异,最明显的一点就是,L2正则化会让系数的取值变得平均。对于关联特征,这意味着他们能够获得更相近的对应系数。还是以Y=X1+X2为例,假设X1和X2具有很强的关联,如果用L1正则化,不论学到的模型是Y=X1+X2还是Y=2X1,惩罚都是一样的,都是2alpha。但是对于L2来说,第一个模型的惩罚项是2alpha,但第二个模型的是4*alpha。可以看出,系数之和为常数时,各系数相等时惩罚是最小的,所以才有了L2会让各个系数趋于相同的特点。

可以看出,L2正则化对于特征选择来说一种稳定的模型,不像L1正则化那样,系数会因为细微的数据变化而波动。所以L2正则化和L1正则化提供的价值是不同的,L2正则化对于特征理解来说更加有用:表示能力强的特征对应的系数是非零。

因此,一句话总结就是:L1会趋向于产生少量的特征,而其他的特征都是0,而L2会选择更多的特征,这些特征都会接近于0。Lasso在特征选择时候非常有用,而Ridge就只是一种规则化而已。

具体的,可以参阅《机器学习之特征选择》与《机器学习范数正则化》。


198.势函数法

位势函数法的积累势函数K(x)的作用相当于Bayes判决中的()

A.后验概率

B.先验概率

C.类概率密度

D.类概率密度与先验概率的乘积


正确答案:AD

@刘炫320,本题题目及解析来源:blog.csdn.net/column/de

事实上,AD说的是一回事。 具体的,势函数详解请看——《势函数法》。


199.隐马尔可夫

隐马尔可夫模型三个基本问题以及相应的算法说法正确的是( )

A.评估—前向后向算法

B.解码—维特比算法

C.学习—Baum-Welch算法

D.学习—前向后向算法


正确答案:ABC

解析:评估问题,可以使用前向算法、后向算法、前向后向算法。


200.特征比数据量还大时,选择什么样的分类器?

线性分类器,因为维度高的时候,数据一般在维度空间里面会比较稀疏,很有可能线性可分。

发布于 2017-12-26

文章被以下专栏收录