PCA和LDA

Posted 2023-05-03

参考技术A 在机器学习领域，PCA和LDA都可以看成是数据降维的一种方式。但是PCA是无监督的，也就是说不需要知道sample对应的label，而LDA是监督的，需要知道每一个数据点对应的label。下面分别解释PCA和LDA的基本原理

相同点：

不同点：

面试题：LDA和PCA区别

更多请关注"机器学习算法面试"

相同点

（1）两者的作用是用来降维的

（2）两者都假设符合高斯分布

不同点

（1）LDA是有监督的降维方法，PCA是无监督的。

（2）LDA降维最多降到类别数K-1的维数，PCA没有这个限制。

（3）LDA更依赖均值，如果样本信息更依赖方差的话，效果将没有PCA好。

（4）LDA可能会过拟合数据。

-------更多面试题----

基础概念
逻辑回归与朴素贝叶斯有什么区别
机器学习学习方式主要有哪些？
监督学习的步骤主要有哪些?
逻辑回归与朴素贝叶斯有什么区别
线性回归和逻辑回归的区别
代价函数，损失函数和目标函数的区别？
随机梯度下降法、批量梯度下降法有哪些区别？
LDA和PCA区别？
降维的必要性和目的是什么？
误差、偏差和方差的区别是啥？
梯度下降法缺点
批量梯度下降和随机梯度下降法的缺点？
如何对梯度下降法进行调优?
如何解决欠拟合
过拟合原因
如何解决过拟合
GBM
简单介绍一下XGBoost
XGBoost与GBDT的联系和区别有哪些？
为什么XGBoost泰勒二阶展开后效果就比较好呢？
XGBoost对缺失值是怎么处理的？
XGBoost为什么快
XGBoost防止过拟合的方法
XGBoost为什么若模型决策树的叶子节点值越大，越容易过拟合呢？
XGBoost为什么可以并行训练？
XGBoost中叶子结点的权重如何计算出来
XGBoost中的一棵树的停止生长条件
Xboost中的min_child_weight是什么意思
Xgboost中的gamma是什么意思
Xgboost中的参数
RF和GBDT的区别
xgboost本质上是树模型，能进行线性回归拟合么
Xgboos是如何调参的
为什么xgboost/gbdt在调参时为什么树的深度很少就能达到很高的精度？
为什么常规的gbdt和xgboost不适用于类别特别多的特征?
怎么处理类别特征在树模型下？
集成学习方法
bagging和boosting区别
为什么bagging减少方差
什么场景下采用bagging集成方法
bagging和dropout区别
为什么说bagging是减少variance，而boosting是减少bias?
adaboost为什么不容易过拟合？
组合弱学习器的算法？
DL
基础理论
说一下局部最优与全局最优的区别？
深度学习里，如何判断模型陷入局部最优？
Transfomer
Transformer为何使用多头注意力机制？
Transformer 相比于 RNN/LSTM，有什么优势？为什么
Transformer为什么Q和K使用不同的权重矩阵生成，为何不能使用同一个值进行自身的点乘？
Transformer计算attention的时候为何选择点乘而不是加法？两者计算复杂度和效果上有什么区别？
为什么在进行softmax之前需要对attention进行scaled
说一下在计算attention score的时候如何对padding做mask操作？
为什么在进行多头注意力的时候需要对每个head进行降维？
大概讲一下Transformer的Encoder模块？
简单介绍一下Transformer的位置编码？有什么意义和优缺点？
你还了解哪些关于位置编码的技术，各自的优缺点是什么？
简单讲一下Transformer中的残差结构以及意义。
为什么transformer块使用LayerNorm而不是BatchNorm？LayerNorm 在Transformer的位置是哪里？
简答讲一下BatchNorm技术，以及它的优缺点。
简单描述一下Transformer中的前馈神经网络？使用了什么激活函数？相关优缺点？
Decoder阶段的多头自注意力和encoder的多头自注意力有什么区别？
Transformer的并行化提现在哪个地方？
Decoder端可以做并行化吗？
简单描述一下wordpiece model 和 byte pair encoding，有实际应用过吗？
Transformer训练的时候学习率是如何设定的？Dropout是如何设定的，位置在哪里？Dropout 在测试的需要有什么需要注意的吗？
bert的mask为何不学习transformer在attention处进行屏蔽score的技巧？
————————————————
版权声明：本文为CSDN博主「耗子来啦」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/hguo11/article/details/124260826