线性模型面试题25 题
- 01 批量梯度下降、随机梯度下降和小批量梯度下降有什么区别？
- 02 逻辑回归的原理是什么？为什么叫「回归」却用来分类？
- 03 逻辑回归输出的概率一定准吗？如何做概率校准？
- 04 逻辑回归有哪些优缺点？为什么工业界（风控、CTR）这么爱用它？
- 05 逻辑回归怎么做多分类？Softmax 和 OvR 有什么区别？
- 06 什么是多重共线性？有什么危害？怎么检测和解决？
- 07 线性回归的原理是什么？有哪些基本假设？
- 08 线性回归和逻辑回归有什么区别和联系？
- 09 线性回归用正规方程还是梯度下降？两者怎么选？
- 10 线性模型如何处理特征交叉和非线性？
- 11 样本不均衡时逻辑回归怎么处理？
- 12 正则化强度如何影响线性模型系数？
- 13 逻辑回归为什么用交叉熵损失，而不用均方误差（MSE）？
- 14 最大似然估计（MLE）和最小二乘法是什么关系？
- 15 L1 和 L2 正则化有什么区别？为什么 L1 能产生稀疏解？
- 16 鲁棒回归如何降低异常值影响？
- 17 逻辑回归分类阈值如何结合业务成本选择？
- 18 泊松回归适合解决什么问题？
- 19 线性回归的基本假设如何检查？
- 20 Elastic Net 为什么结合 L1 和 L2 正则？
- 21 高维稀疏特征下线性模型为什么常用？
- 22 逻辑回归中 class_weight 如何处理类别不平衡？
- 23 特征标准化会如何影响线性模型系数解释？
- 24 线性模型如何做在线学习？
- 25 线性模型中的交互项有什么作用？
没有符合条件的题目。