开发网站需要时间,怎么样让网站网址有图标,青岛建站,企业集团网站网站建设方案文章目录1 概率1.1 条件概率.每天9点到10点#xff0c;小明和小红在同一个车站乘坐公交车上班。小明坐101路公交车#xff0c;每5分钟一班{9:00, 9:05, 9:10, …}#xff1b;小红坐102路公交车#xff0c;每10分钟一班{9:00, 9:10, 9:20, …}#xff0c;问小明和小红每天相…
文章目录1 概率1.1 条件概率.每天9点到10点小明和小红在同一个车站乘坐公交车上班。小明坐101路公交车每5分钟一班{9:00, 9:05, 9:10, …}小红坐102路公交车每10分钟一班{9:00, 9:10, 9:20, …}问小明和小红每天相遇的概率是多少小明和小红结对编程完成了一个项目。在整个项目中他们贡献的代码比例是3:5。据往常的统计小明的bug率为10‰ 小红的bug率为15‰ 。今天小猿在项目中发现了一个bug那么该bug是小明编写的概率为多少小明来猿辅导参加现场面试他选择地铁、骑自行车、骑电动车三种交通工具方式的概率分别为0.30.20.5从各个交通工具迟到的概率分别为0.30.10.15。下列说法正确的是()1.2 排列组合得概率有5本不同的书其中语文书2本数学书2本英语书1本将它们随机地摆放到书架上则同一科目的书都不相邻的概率为有6块完全相同的瓷砖大小为1*2用它们铺满2*6的地面一共有种不同的铺法。2 树1.按照二叉树的定义不考虑节点值仅考虑树结构情况下4个节点的二叉树有多少种3.深度学习3.1 训练在训练神经网络时损失函数下降得很慢下列说法中不可能的是处理过拟合4. 机器学习4.1 adaboost 和随机森林4.2 HMM和CRF4.3 SVM和LR1 概率
1.1 条件概率
.每天9点到10点小明和小红在同一个车站乘坐公交车上班。小明坐101路公交车每5分钟一班{9:00, 9:05, 9:10, …}小红坐102路公交车每10分钟一班{9:00, 9:10, 9:20, …}问小明和小红每天相遇的概率是多少
1.((1/12 * 1/12)(1/12 * 1/6))6。两个人做的不是同一个车小红分为6段的话小红段时间初始到可以偶遇小明两车次 2. 假设两人到达站台的时间在9-10点之间均匀分布。 P(相遇) 1-P(不相遇) 1- P(小明到的时候小红已经走了) - P(小红到的时候小明已经走了) 1- [P(小红910走小明910后到)P(小红920走小明920后到)…P(小红950走小明950后到)] - [P(小明905走小红905后到)P(小明910走小红910后到)…P(小明915走小红915后到)] 1-[1/65/61/64/6…1/61/6] - [1/1211/121/1210/12…1/12*1/12] 1-10/24-11/24 1/8
小明和小红结对编程完成了一个项目。在整个项目中他们贡献的代码比例是3:5。据往常的统计小明的bug率为10‰ 小红的bug率为15‰ 。今天小猿在项目中发现了一个bug那么该bug是小明编写的概率为多少 小明来猿辅导参加现场面试他选择地铁、骑自行车、骑电动车三种交通工具方式的概率分别为0.30.20.5从各个交通工具迟到的概率分别为0.30.10.15。下列说法正确的是()
不可估计 准时到则骑电动车得概率大于0.5
1.2 排列组合得概率
有5本不同的书其中语文书2本数学书2本英语书1本将它们随机地摆放到书架上则同一科目的书都不相邻的概率为
英语书最后放 语文数学有两种大方式 ABab 这时英语书有五种方式 2×2×2×5 ABbA 这时英语书只能放在Bb中间 2×2×2 最后2×2×2×52×2×2/A(5,5)2/5
有6块完全相同的瓷砖大小为12用它们铺满26的地面一共有种不同的铺法。
13种 全横1种四个横的5种两个横的6种全竖1种。 现有28 的区域可以摆放俄罗斯方块。共有8个21的方块需要摆放在该区域中。求共有多少种摆放方式 15(4个横的72个横的6(6个横的230
2 树
1.按照二叉树的定义不考虑节点值仅考虑树结构情况下4个节点的二叉树有多少种
(2n)!/(n!*(n1)!)14
3.深度学习
3.1 训练
在训练神经网络时损失函数下降得很慢下列说法中不可能的是
学习率太低
正则参数太高
陷入局部最小值
训练数据太少
处理过拟合
增加训练数据。
使用数据扩增技术(data augmentation)。
降低模型的复杂度。
归一化训练数据使数据更加统一。 https://zhuanlan.zhihu.com/p/27627299/ 归一化得目的容易收敛
4. 机器学习
4.1 adaboost 和随机森林
和Adaboost相比随机森林对异常值更鲁棒。
Adaboost初始时每个训练元组被赋予相等的权重。
组成随机森林的树可以并行生成而GBDT是串行生成。
GBDT是通过减少模型方差提高性能随机森林是通过减少模型偏差提高性能。 随机森林采用的bagging思想而GBDT采用的boosting思想。这两种方法都是Bootstrap思想的应用Bootstrap是一种有放回的抽样方法思想。虽然都是有放回的抽样但二者的区别在于Bagging采用有放回的均匀取样而Boosting根据错误率来取样Boosting初始化时对每一个训练样例赋相等的权重1n然后用该算法对训练集训练t轮每次训练后对训练失败的样例赋以较大的权重因此Boosting的分类精度要优于Bagging。Bagging的训练集的选择是随机的各训练集之间相互独立弱分类器可并行而Boosting的训练集的选择与前一轮的学习结果有关是串行的。 组成随机森林的树可以是分类树也可以是回归树而GBDT只能由回归树组成。 组成随机森林的树可以并行生成而GBDT只能是串行生成。 对于最终的输出结果而言随机森林采用多数投票等而GBDT则是将所有结果累加起来或者加权累加起来。 随机森林对异常值不敏感GBDT对异常值非常敏感。 随机森林对训练集一视同仁GBDT是基于权值的弱分类器的集成。 随机森林是通过减少 模型方差提高性能GBDT是通过减少模型偏差提高性能。
4.2 HMM和CRF
在HMM模型中如果已知观察序列和状态序列可以使用极大似然估计算法进行参数估计。 https://www.zhihu.com/question/35866596 区别 https://zhuanlan.zhihu.com/p/31187060 1.HMM是生成模型CRF是判别模型
2.HMM是概率有向图CRF是概率无向图
3.HMM求解过程可能是局部最优CRF可以全局最优
4.CRF概率归一化较合理HMM则会导致label bias 问题
HMM 与 CRF的区别https://blog.csdn.net/losteng/article/details/51037927
以下错误 CRF模型是局部最优而HMM模型是全局最优。
cuod
CRF模型和HMM模型都是生成式模型。
4.3 SVM和LR
LR和SVM的异同https://www.cnblogs.com/zhizhan/p/5038747.html LR可以给出每个点属于每一类的概率而SVM是非概率的。
相同
都是分类模型本质都是在找最佳分类超平面都是判别式模型判别式模型不关系数据是怎么生成的只关心数据之间的差别然后用差别来简单对给定的一个数据进行分类都是监督学习算法都可以增加不同的正则项。 异同LR 是一个统计的方法SVM 是一个几何的方法SVM 的处理方法是只考虑 Support Vectors也就是和分类最相关的少数点去学习分类器。而逻辑回归通过非线性映射减小了离分类平面较远的点的权重相对提升了与分类最相关的数据点的权重损失函数不同LR 的损失函数是交叉熵SVM 的损失函数是 HingeLoss这两个损失函数的目的都是增加对分类影响较大的数据点的权重减少与分类关系较小的数据点的权重。对 HingeLoss 来说其零区域对应的正是非支持向量的普通样本从而所有的普通样本都不参与最终超平面的决定这是支持向量机最大的优势所在对训练样本数目的依赖大减少而且提高了训练效率LR 是参数模型SVM 是非参数模型参数模型的前提是假设数据服从某一分布该分布由一些参数确定比如正太分布由均值和方差确定在此基础上构建的模型称为参数模型非参数模型对于总体的分布不做任何假设只是知道总体是一个随机变量其分布是存在的分布中也可能存在参数但是无法知道其分布的形式更不知道分布的相关参数只有在给定一些样本的条件下能够依据非参数统计的方法进行推断。所以 LR 受数据分布影响尤其是样本不均衡时影响很大需要先做平衡而 SVM 不直接依赖于分布LR 可以产生概率SVM 不能LR 不依赖样本之间的距离SVM 是基于距离的LR 相对来说模型更简单好理解特别是大规模线性分类时并行计算比较方便。而 SVM 的理解和优化相对来说复杂一些SVM 转化为对偶问题后分类只需要计算与少数几个支持向量的距离这个在进行复杂核函数计算时优势很明显能够大大简化模型和计算SVM 的损失函数自带正则损失函数中的 1/2||w||^2而 LR 需要另外添加正则项。 SVM的目标是结构风险最小化逻辑回归目标函数是最小化后验概率。
SVM中当参数C越小时分类间隔越大分类错误越多趋于欠学习。
SVM的分类间隔为||w||代表向量的模。
与SVM相比 LR对异常数据更加敏感。
