| desc | |
| 关于特征工程 |
使用LR 回归，找出谁的权重大，
1.比如 面积对房价的 权重大，那么就可以进一步细化：
比如 面积 这个因素很重要，那么就着重操作这个因素，比如细化等
比如 继续找：卧室面积，客厅面积，面积比例 ，平方，根号 等也作为 因素加进去
2.再就是还可以这么来，这些特征，比如size，或size平方，或size开根号。这样特征不是相关了吗？
（这相关，但是不是线性相关，而你的model 是线性model）
所以 其平方根号都可以加进去
一般不用三次方，因为维度高了，那么可能使得模型不够稳定
这就是LR解释性强的原因老大们能听懂
|
| 模型融合 |
比如 bagging，比如 adaboost
bagging （空间）其实就是训练多个模型，然后 vote，不同的模型 吃不同的数据，都是一个子集
adaboost （时间）则是在时间轴上操作的， 每次更改样本权重，着重学习错误
|
| adaboost |
two key point: 每一轮都
1. 给本弱分类器配上一个系数
2. 每次样本权重更改
boosting 算法 的方法容易过拟合
boosting 与 bagging 的方法对比
AdaBoost是每个子分类器结果对后面的有影响，bagging是独立的
ada 的好处就是 每次都是 面对 all 数据，bagging 每次是又放回的抽样，取的是数据子集
adaboost 可以是多分类
if adaboot 的弱分类器是多分类，那么 adaboost 就可以多分类
boosting 和 bagging 是两个思想，对应的实现有：
adaboost 和 RandomForest
boosting 算法都可能 过拟合 ：
bagging 下的 树深度
boosting 的迭代次数
都是防止过拟合的方式
|
|
high variance 和
high bias
|
模型状态 有两种：
过拟合(overfitting/high variance)
欠拟合(underfitting/high bias)
训练好了模型，需要关心的是：模型的是状态
欠拟合 为什么叫做 high bias ？这个的翻译是：高偏差，
而不是高截距(intercept)，即 很多样本离它很远
而 high variance 就是高方差，即 模型上下抖动，为了串上数据点而过度拟合
|
| DT 可以选特征 |
因为每次 选哪个作为 分支，是按照熵排序的：即 这里有一个次序关系
因此 决策树可以 feature select的
|
| CTR 预估 | 使用 AUC 作为通用的评价指标 |
| 神经网络过拟合 | 会用正则化，防止过拟合 |
| xgboost | 既用 boosting 又用 bagging: BGDT |
| 百度纠错功能示例 |
一个【观点】这是在考察你 贝叶斯
比如用户输入 米月传，那么你能纠正为 芈月传
|
| why Python 快 |
Python 很多库的实现是C，所以你本质是在用 C 的， map reduce 也可以 Python
ipython notebook
全部.ipynb放在桌面 然后cmd下切换到桌面
然后运行 ipython notebook
|
|
梯度提升树
Gradient boost tree
|
先拟合一下，然后对 残差，再次拟合，模型叠加，在对残差再次拟合
直到收敛
专门对差值做一个 连续值的预测
|
| 如何分析模型 |
1. 看状态，是 high variance 还是 high bias
variance and bias，李诚经常说的两个词，原来是实在评价训练好的 model 状态
2. case study，尤其是分错的 sample
1.一 一找出来，这些分错的例子（回归中 哪些样本 bias 大）
2.它归为这一错类，是哪个因素特征导致的
3. bad case 之间有没有共性
4. 是不是缺新的特征
找到共性处理措施就是：比如分错的可能是新上市的商品， 此时的应对 可能就是一些规则
|
| 工业界线性的应用 |
线性回归，LR，LinearSVM 都是线性核，即 kernel 是线性的
工业界很多是线性模型，对于权重大的 那个因素，做细化的工作
就是 重要因素，多方面挖掘，着重挖掘，即：
重要特征的 组合变异 比哪些本征的小权重因素还要重要
|
| 过拟合是不能降维 |
确实防止了过拟合，但是准确率不会提升
降维是在损失信息
|
| 验证集和测试集 |
交叉验证集做参数/模型选择# 选 LR 还是 SVM ，可以从这里得到
测试集只做模型效果评估，即 百分之多少的准确率 应该说是从 test data 上得到的
# 这个可以视为：convention
|
| 一些经验 |
数据量太大 不适合用SVM
SVM 一般比其他的分类器健壮，作为首选
一般不用KNN，因为需要保存所有的 样本的feature，占用内存和时间去遍历
样本量少需要 拉长时间窗口，即 再等等
|
| 一个新的结论 |
从这个角度说：validate data 就是 train data！！！
|
| 模型前工作 |
数据预处理：数据清洗与（上下采样以上的非倾斜）
特征选择
模型选择
交叉验证 选出超参数
|
|
模型选择
|
1. 路线图
2. 验证集
|
|
模型优化的角度
|
1. 模型现在处于什么状态
2. 找出有用 weight 的feature
3. bad case 分析
4. 模型融合 bagging or boosting
我想这个是 那个 淘宝面试官想问的问题
这才人家想问的问题
其实还是在看你的 经验
|
| 降维 | LDA ，PCA 都可以视为 降维 |
| 特征选择的 嵌入式方法 |
正则化
决策树
深度学习
|
| 聚类也有一个重要问题 |
即：到底聚为几类？
知道几类，用Kmeans
或者使用 层次聚类法
|
| 搜索的种类 |
完全式搜索
启发式搜索
随机搜索
|