机器学习-数据科学专业问答社区-CDA答疑社区

热线电话：13121318867

登录

shauna570392

为什么这个等于0，可以省略吗

a 为什么a•g(x)=0，可省略么？不可以

0.0000

0

3

0

关注作者

收藏

shauna570392

拉格朗日损失函数是逻辑回归的正则化吗

不是，拉格朗日求最优解过程为：设目标函数f(x)，不等式约束为g(x)，等式约束条件h(x)。约束优化问题描述如下：则我们定义不等式约束下的拉格朗日函数L，则L表达式为：其中f(x)是原目标函数，hj(x)是第j个等式约束条件，λj是对应的约束系数，gk是不等式约束，uk是对应的约束系数。此时若要求解上述优化问题，必须满足下述条

0.0000

0

4

0

关注作者

收藏

shauna570392

安装xgboost报错timeout

显示timeout下载超时了，可以加个下载源，运行pip install xgboost -i https://pypi.tuna.tsinghua.edu.cn/simple如果不加镜像源，会访问国外网站下载，很可能出现网络超时无法下载的情况，加入国内的下载网站可以解决这一问题。

31.2478

1

1

0

关注作者

收藏

shauna570392

svm的理解问题

一、问题描述SVM是不是在保证点的分类正确的情况下，不断调整离线最近的点到直线的距离，直到距离最大，直线迭代结束二、问题解答是的。Svm分类器，就是寻找一条分类线（在多维空间这条线是一个超平面），能够正确切分数据，并且使得距离这根线（超平面）最近的点到线的距离最远。

0.0000

0

2

0

关注作者

收藏

shauna570392

感知机，为什么线以上的点y为1

对于数据集T={(X1, y1),(X2, y2)...(XN, yN)}，Xi belongs to Rn，yi belongs to {-1, 1}，i=1,2,...N若存在某个超平面S：w*X=0将数据集中的所有样本点正确地分类，则称数据集T线性可分。所谓正确地分类，就是：如果w*Xi>0，那么样本点(Xi, yi)中的 yi 等于1如果w*Xi

0.0000

0

2

0

关注作者

收藏

shauna570392

公式的理解问题

一、问题描述、0.5(x-2)^2 0.3(y-3)^2 1 这里公式里的x y是指的ab吧二、问题解答不是，x和y是变量，a和b是在计算点到直线距离时设置的向量。

0.0000

0

1

0

关注作者

收藏

shauna570392

梯度也就是导数是与超平面上的点相切的面的斜率吗

一、问题描述梯度下降法用数值解去逼近梯度控制速度，而速度具有方向性（速度从物理角度理解就是速率和方向的结合），所以用梯度也就控制了方向，梯度下降就是凸函数增大的反方向。梯度也就是导数，可以理解为与超平面上的点相切的面的斜率吗二、问题解答不是，梯度是沿着坐标轴方向的偏导数，斜率是标量不是矢量所以不能等同。

0.0000

0

2

0

关注作者

收藏

shauna570392

感知机怎么判断<0的是错误点

一，感知机模型1，超平面的定义令w1，w2，...wn，v都是实数(R) ，其中至少有一个wi不为零，由所有满足线性方程w1*x1 w2*x2 ... wn*xn=v的点X=[x1,x2,...xn]组成的集合，称为空间R的超平面。从定义可以看出：超平面就是点的集合。集合中的某一点X，与向量w=[w1，w2，...wn]的内积，等于v特殊地，如果令v等于0，对于训练集中某个点X：w*X

0.0000

0

4

0

关注作者

收藏

shauna570392

为什么样本不均衡，准确度没意义

举个十分简单的例子假设有100个人 90个好人1个坏人如果存在一个机器学习模型，遇到人就说好人，那么模型的预测结果将会是全部都是好人。利用准确率的计算方式 ACC = 90个好人预测正确/总共有100个人 = 0.9 得这个机器模型的预测准确率为90%有没有感觉很奇怪，我猜硬币才只有50%正确率，怎么这个模型准确率这么高？而且，这个模型不能给识别坏人。其实原因有两个 1. 数据不

31.2478

1

3

0

关注作者

收藏

shauna570392

机器学习准确率是预测什么的准确率

一、问题描述准确率，是整个模型预测出不同类型的准确率，还是样本量大的一类的准确率二、问题解答准确率是针对所有变量y预测出来的准确率，但是也可以根据标签划分，分别计算正例负例的预测准确率。

0.0000

0

5

0

关注作者

收藏

shauna570392

判断误分类点的公式，为什么不用平方消绝对值

如果平方公式还需展开，进一步计算，就无法定位误分类点了。这里用绝对值可以直接计算损失函数，数学意义更好。

0.0000

0

1

0

关注作者

收藏

shauna570392

判断误分类点时，怎么确定谁是1谁是-1呢

会自动判断。如果都是相反的，不用管，会自动判断，说明是误分类。相同，代表不是误分类。

0.0000

0

2

0

关注作者

收藏

田齐齐

聚类算法中的距离度量有哪些，怎样理解？

你知道聚类中度量距离的方法有哪些吗？ 1）欧式距离欧氏距离是最易于理解的一种距离计算方法，源自欧氏空间中两点间的距离公式。即两点之间直线距离，公式比较简单就不写了　应用场景：适用于求解两点之间直线的距离，适用于各个向量标准统一的情况 2）曼哈顿距离(Manhattan Distance) 从名字就可以猜出这种距离的计算方法了。想象你在曼哈顿要从一个十字路

32.7545

3

1

0

关注作者

收藏

shauna570392

对转换过后的特征再进行一次PCA转换会有什么效果

没有其他效果，不会有什么改变。因为已经做了转换，也不可逆，不可能回到原来特征的样子。

0.0000

0

4

0

关注作者

收藏

shauna570392

pca判断相关性就是用皮尔逊相关系数吧？

1.找出第一个主成分的方向,也就是数据方差最大的方向2.找出第二个主成分的方向，也就是数据方差次大的方向，并且该方向与第一个主成分方向正交(orthogonal 如果是二维空间就叫垂直)。3.通过这种方式计算出所有的主成分方向4.通过数据集的协方差矩阵及其特征值分析，我们就可以得到这些主成分的值。5.一旦得到了协方差矩阵的特征值和特征向量，我们就可以保留最大的 N 个特征。这

0.0000

0

3

0

关注作者

收藏

shauna570392

进行pca操作前可以先归一化处理下吗

可以做归一化处理，不过不是必须的，一般pca前需要做标准化处理。

0.0000

0

4

0

关注作者

收藏

shauna570392

如何评估模型好不好

回归：MSE（均方误差）—— 判定方法：值越小越好。真实值-预测值然后平方之后求和平均RMSE（均根方误差）—— 判定方法：值越小越好。R squared/拟合优度 —— 判定方法：值越接近1模型表现越好分类：ROC —— 判定方法：ROC曲线应尽量偏离参考线（ROC曲线离参照线越远模型预测效果越好）AUC —— 判定方法：AUC应该大于0.5K-S图 —— 判定方法：其值在

0.0000

0

4

0

关注作者

收藏

shauna570392

p c a只保留主成分x1*就好了吧？

第一组成分第二组成分所以不一定只有一个组成分。

0.0000

0

4

0

关注作者

收藏

shauna570392

pca相关疑问

一、问题描述pca后得到的新变量之间相关性达到最低但是新变量可解释性很低吗。二、问题解答pca操作后，新变量之间相关性是保证达到0，而不是达到最低。不过经过pca处理后，新变量会不那么容易解释。

0.0000

0

2

0

关注作者

收藏

shauna570392

那如果特征组合之间存在相关性，PCA可以解决吗

一、问题描述那如果特征组合之间存在相关性，PCA可以解决吗，比如特征1 特征2 与特征3之间存在相关性。二、问题解答可以，pca就是解决这个问题，可以把x1x2重新组合为新特征，且与其他特征相关性为0

0.0000

0

2

0

关注作者

收藏

<1…383940…69>

CDA考试动态

CDA报考指南