目录

• 目录
  • 1、MLP的BP过程
  • 2、maxpool层BP怎么做的
  • 3、opencv遍历像素的方式，讲两种/li>
  • 4、传统图像处理有了解过吗，比如去噪 特征提取
  • 5、问在linux下写过代码吗问用了什么软件工具
  • 6、LDA（狄利克雷分布）
  • 7、PR曲线、ROC曲线
  • 8、特征工程
  • 9、数据预处理的方法
  • 10、特征选择的方法有哪些
  • 11、写K-means、GMM的公式
  • 12、CNN与RNN的区别
  • 13、你所知道的距离度量方式、损失函数

1、MLP的BP过程

MLP(multilayer perceptron)多层神经网络

1、单层神经网络的BP算法

反向误差传播

3、MLP(multilayer perceptron)的BP

• 无监督预训练 RBM
• 有监督微调 BP

RBM受限玻尔兹曼机
利用1步CD算法

查准率P和查全率R分别定义为：

若一个学习器的P-R曲线被另一个学习器完全”包住”，则后者的性能优于前者。当存在交叉时，可以计算曲线围住面积，但比较麻烦，平衡点（查准率=查全率，BEP）是一种度量方式。

但BEP还是过于简化了些，更常用的是F1和Fp度量，它们分别是查准率和查全率的调和平均和加权调和平均。定义如下

下图为ROC曲线示意图，因现实任务中通常利用有限个测试样例来绘制ROC图，因此应为无法产生光滑曲线，如右图所示。

1、特征工程是什么

有这么一句话在业界广泛流传：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。那特征工程到底是什么呢名思义，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。通过总结和归纳，人们认为特征工程包括以下方面：

10、特征选择的方法有哪些

当数据预处理完成后，我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说，从两个方面考虑来选择特征：

• 特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。
• 特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优选选择。除方差法外，本文介绍的其他方法均从相关性考虑。

根据特征选择的形式又可以将特征选择方法分为3种：

• Filter：过滤法，按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征。
• Wrapper：包装法，根据目标函数（通常是预测效果评分），每次选择若干特征，或者排除若干特征。
• Embedded：嵌入法，先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征。类似于Filter方法，但是是通过训练来确定特征的优劣。

我们使用sklearn中的feature_selection库来进行特征选择。

高斯混合模型GMM：

12、CNN与RNN的区别

参考：https://www.leiphone.com/news/201702/ZwcjmiJ45aW27ULB.htmliewType=weixin

如果说DNN特指全连接的神经元结构，并不包含卷积单元或是时间上的关联。因此，如果一定要将DNN、CNN、RNN等进行对比，也未尝不可。

2006年，Hinton利用预训练方法缓解了局部最优解问题，将隐含层推动到了7层，神经网络真正意义上有了“深度”，由此揭开了深度学习的热潮。这里的“深度”并没有固定的定义——在语音识别中4层网络就能够被认为是“较深的”，而在图像识别中20层以上的网络屡见不鲜。

• 为了克服梯度消失，ReLU、maxout等传输函数代替了sigmoid，形成了如今DNN的基本形式。单从结构上来说，全连接的DNN和多层感知机是没有任何区别的。

• 对于CNN来说，并不是所有上下层神经元都能直接相连，而是通过“卷积核”作为中介。同一个卷积核在所有图像内是共享的，图像通过卷积操作后仍然保留原先的位置关系。

我们可以看到在隐含层节点之间增加了互连。为了分析方便，我们常将RNN在时间上进行展开，得到如图6所示的结构：

13、你所知道的距离度量方式、损失函数

参考：
http://blog.sina.com.cn/s/blog_6f611c300101c5u2.html
http://blog.csdn.net/google19890102/article/details/50522945
https://www.cnblogs.com/shixiangwan/p/7953591.html

1、距离度量

• 距离函数种类：欧式距离、曼哈顿距离、明式距离（闵可夫斯基距离）、马氏距离、切比雪夫距离、标准化欧式距离、汉明距离、夹角余弦等
• 常用距离函数：欧式距离、马氏距离、曼哈顿距离、明式距离

马氏距离的优点：与量纲无关，排除变量之间的相关性干扰

2、损失函数

• log对数 损失函数（逻辑回归）
• 平方损失函数（最小二乘法）
• 指数损失函数（AdaBoost）
• Hinge损失函数（SVM）
• 0-1损失函数
• 绝对值损失函数

损失函数（loss function）是用来估量你模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。

损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。模型的结构风险函数包括了经验风险项和正则项。

（1）log对数损失函数（逻辑回归）
在逻辑回归的推导中，它假设样本服从伯努利分布（0-1分布），然后求得满足该分布的似然函数。

log函数是单调递增的，（凸函数避免局部最优）

在使用梯度下降来求最优解的时候，它的迭代式子与平方损失求导后的式子非常相似
（2）平方损失函数（最小二乘法, Ordinary Least Squares）
最小二乘法是线性回归的一种，OLS将问题转化成了一个凸优化问题。

在线性回归中，它假设样本和噪声都服从高斯分布（为什么假设成高斯分布呢实这里隐藏了一个小知识点，就是中心极限定理），最后通过极大似然估计（MLE）可以推导出最小二乘式子。

为什么它会选择使用欧式距离作为误差度量呢（即Mean squared error， MSE），主要有以下几个原因：

• 简单，计算方便；
• 欧氏距离是一种很好的相似性度量标准；
• 在不同的表示域变换后特征性质不变。

（3）指数损失函数（AdaBoost）
学过Adaboost算法的人都知道，它是前向分步加法算法的特例，是一个加和模型，损失函数就是指数函数。在Adaboost中，经过m此迭代之后，可以得到fm(x)

下面来看看几种损失函数的可视化图像，对着图看看横坐标，看看纵坐标，再看看每条线都表示什么损失函数，多看几次好好消化消化。

参数越多，模型越复杂，而越复杂的模型越容易过拟合

来源：九方先生