如何在面试中解释各种机器学习模型 _机器学习模型

从回归到SVM再到XGBoost的模型汇总

文章插图
> Created by katemangostar — www.freepik.com

在准备任何面试时，我想共享一个资源，为每个机器学习模型提供简要的说明。它们的含义并不广泛，相反。希望通过阅读本文，您将了解如何以简单的方式交流复杂的模型。
涵盖类型· 线性回归
· 岭回归
· 套索回归
· 逻辑回归
· K最近的邻居
· 朴素贝叶斯
· 支持向量机
· 决策树
· 随机森林
【如何在面试中解释各种机器学习模型】· AdaBoost
· 梯度提升
· XGBoost
线性回归线性回归涉及使用最小二乘法找到代表数据集的"最佳拟合线" 。最小二乘方法涉及找到一个线性方程，该方程使残差平方和最小。残差等于实际负预测值。
举个例子，红线比绿线是最适合的更好的线，因为它离点更近，因此残差较小。

文章插图
> Image created by Author

岭回归Ridge回归，也称为L2正则化，是一种引入少量偏差以减少过度拟合的回归技术。它通过最小化残差平方和加罚分来实现，罚分等于λ乘以斜率平方。Lambda是指罚分的严重性。

文章插图

文章插图
> Image Created by Author

如果没有罚分，则最佳拟合线的斜率会变陡，这意味着它对X的细微变化更敏感。通过引入罚分，最佳拟合线对X的细微变化变得较不敏感。背后的岭回归。
套索回归套索回归，也称为L1正则化，与Ridge回归相似。唯一的区别是，罚分是使用斜率的绝对值计算的。

文章插图

逻辑回归Logistic回归是一种分类技术，也可以找到"最合适的直线" 。但是，与线性回归不同的是，线性回归使用最小二乘方找到最佳拟合线，逻辑回归使用最大似然法找到最佳拟合线（逻辑曲线）。这样做是因为y值只能是1或0 。观看StatQuest的视频，了解如何计算最大可能性。

文章插图
> Image Created by Author

K最近邻居

文章插图
> Image Created by Author

K最近邻居是一种分类技术，通过查看最近的分类点对新样本进行分类，因此称为" K最近" 。在上面的示例中，如果k = 1，则未分类的点将被分类为蓝点。
如果k的值太低，则可能会出现异常值。但是，如果它太高，可能会忽略只有几个样本的类。
朴素贝叶斯朴素贝叶斯分类器是一种受贝叶斯定理启发的分类技术，其陈述以下等式：

文章插图

由于朴素的假设（因此得名），变量在给定类的情况下是独立的，因此可以如下重写P（X | y）：

文章插图

另外，由于我们要求解y，所以P（X）是一个常数，这意味着我们可以从方程中将其删除并引入比例。
因此，将每个y值的概率计算为给定y时xn的条件概率的乘积。
支持向量机支持向量机是一种分类技术，可找到称为超平面的最佳边界，该边界用于分隔不同的类别。通过最大化类之间的余量来找到超平面。

文章插图
> Image Created by Author

决策树

文章插图

决策树本质上是一系列条件语句，这些条件语句确定样本到达底部之前所采取的路径。它们直观且易于构建，但往往不准确。
随机森林随机森林是一种集成技术，这意味着它将多个模型组合为一个模型以提高其预测能力。具体来说，它使用自举数据集和变量的随机子集（也称为装袋）构建了数千个较小的决策树。拥有1000棵较小的决策树，随机森林使用"多数获胜"模型来确定目标变量的值。