机器学习

1：偏差&方差
当模型做出与实际情况不符的假设时就会引起错误，这种错误称为偏差，通常是模型太简单。
方差是一种由于训练数据集的波动引起的错误。当学习算法随着训练数据集的不同而呈现出太大的波动时，所引起的错误就称为方差，通常是模型太复杂

2：有监督&无监督

有监督学习：我们给算法一个数据集，并且给定“正确答案”，算法的目的就是给出更多的正确答案。也就是我们从输入和预期输出中学习得到一个模型，然后我们根据这个模型预测新的实例。比如：SVM,朴素贝叶斯等。

无监督学习：所有的数据都是一样的，没有属性/标签这一概念。可以简单理解为不为训练集提供对应的类别标签。比如聚类。

3：KNN & K-Means

KNN和K-Means都包含这样的过程，给定一个点，在数据集中找离它最近的点。即二者都用到了NN(Nears Neighbor)算法，一般用KD树来实现NN。

二者不同之处

4:准确率&召回率

对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为真正例（TP,true positive）,假正例(FP,false positive),真反例(TN,true negative),假反例（FN,false negative）四种情形。显然有TP+FP+TN+FN=样例总数。分类结果的混淆矩阵如下表所示：

5：贝叶斯 & 朴素贝叶斯
贝叶斯定理是关于随机事件A和B的条件概率：

贝叶斯定理可以表述为：后验概率=（相似度*先验概率）/标准化常量

贝叶斯统计作为一个基础算法，在机器学习中占据重要的一席之地。特别是在数据处理方面，针对事件发生的概率以及事件可信度分析上具有良好的分类效果。贝叶斯定理需要大规模的数据计算推理才能凸显效果，它在很多计算机应用领域中都大有作为，如自然语言处理，机器学习，推荐系统，图像识别，博弈论等。

6：L1 & L2正则化

正则化项即罚函数，该项对模型向量进行“惩罚”，从而避免单纯最小二乘问题的过拟合问题。奥卡姆剃刀法则

由上表可以看出，L1正则化比原始的更新规则多出了符号函数这一项。当w为正时，更新后的w变小。当w为负时，更新后的w变大，因此它的效果就是让w往0靠，使网络中的权重尽可能为0，也就相当于减小了网络复杂度，防止过拟合。因此，L1正则化更容易获得稀疏的权值，L2正则化更容易获得平滑的权值。

7：分类问题的评价标准

Accuracy ， pression ， recall， F1， ROC， PR，AOE

8：回归问题的评价标准

MAE ， MSE

9：常用

F-Score： F=(αα+1)PR / αα(P+R)

是P和R的调和平均值

α=1时，就是F1值， F1=2PR / P+R

准确率 =（预测正确的样本）/（总样本）
召回率 = （正类预测为正类）/ (所有真正的正类) 目标预测的全不全