11本电子书放文末，自取~

1、Kmeans与Kmeans++的区别：

Kmeans：是一种迭代的聚类方法，用于将n个点分为k个聚类。其初始的质心通常是随机选择的，这可能导致算法陷入局部最优解。

Kmeans++：对Kmeans的初始化进行了优化，以期望得到一个比传统Kmeans更好的、全局的初始解。在Kmeans++中，第一个质心是从数据点中随机选择的，之后的质心是在数据点中按一个特定的概率分布选择的，其中距离当前已选择质心集更远的点有更高的概率被选择。

2、SVM和Logistic Regression的区别：

SVM (支持向量机)：是一种分类和回归的算法。对于分类问题，SVM试图找到一个超平面来最大化两个类别之间的边界。关键点是支持向量，即距离超平面最近的那些点。

Logistic Regression：是一个用于估计类别概率的统计方法。输出是两个类之间的概率，通常使用sigmoid函数。当这个概率超过某个阈值(如0.5)时，将其归为某一类。

3、常见的距离函数：

欧氏距离：二维或多维空间中两点之间的“直线”距离。

曼哈顿距离：在一个格子化的平面上，两点之间的距离是沿格子边界行走的距离。

切比雪夫距离：两点之间的距离是它们坐标差的最大值。

余弦相似度：衡量两个向量的方向的相似度，但不考虑它们的大小。

还有其他许多距离函数，具体的选择取决于应用场景。

4、介绍XGBoost：

XGBoost是“Extreme Gradient Boosting”的缩写，是一个优化的分布式梯度增强库，用于实现机器学习中的提升树算法。XGBoost提供了并行树提升和特定硬件优化功能，使其训练速度快于许多其他提升树实现。

XGBoost的特点包括处理缺失值、剪枝、交叉验证、正则化等。

5、Bagging与Boosting的区别：

Bagging (Bootstrap Aggregating)：主要的思想是从原始数据集中随机地抽取子集，并在每个子集上训练模型。所有模型的预测结果会被平均（回归问题）或投票（分类问题）来得到最终的预测结果。代表算法：随机森林。

Boosting：是一个迭代的过程，其中每一步都增加了一个新的模型，这个模型试图纠正前一个模型的错误。Boosting通常会赋予被错误分类的样本更高的权重，以便下一个模型能更加关注这些样本。代表算法：AdaBoost, Gradient Boosting, XGBoost等。

6、L1和L2正则化：

L1正则化：也称为Lasso正则化，将权重向量的绝对值之和添加到损失函数中。这可以导致某些特征的权重为0，从而实现了特征选择。

L2正则化：也称为Ridge正则化，将权重向量的平方值之和添加到损失函数中。这防止权重变得过大，但通常不会使权重变为0。

看完本篇如果对你有用请三连，你的支持是我持续输出的动力，感谢，笔芯~

↓ ↓ ↓以下11本书电子版免费领，直接送 ，想要哪本私我下说声，我发你↓ ↓ ↓

以上8本+《2022年Q3最新大厂面试题》+《2022年Q4最新大厂面试题》电子书，部分截图如下：

第11本电子书《2023年最新大厂面试题Q1版》2023年最新大厂面试题Q1版 [含答案和解析, 现1分秒杀] - 七月在线