支援向量機（svm）的原始演算法：
基本思路：間隔最大化，直觀解釋是能以最大的置信度對訓練資料集進行分類。
推導步驟：
（1）構建約束優化問題
（2）將幾何間隔用函式間隔表示，並令函式間隔等於1
（3）將最大化問題轉化為最小化問題，即凸二次規劃（convex quadratic programming）問題。
支援向量機（svm）的對偶演算法：
推導步驟：
（1）引入拉格朗日乘子，構建拉格朗日函式，將極小極大的原始問題轉換為極大極小的對偶問題：
（2）求解對偶問題
支援向量機（svm）的優點：
（1）對偶演算法（dual algorithm）
應用拉格朗日對偶性，通過求解對偶問題（dual problem）得到原始問題（primal problem）的最優解。
優點：因為在實際computer計算時採用對偶演算法（所以首先要求出與樣本數相同個數的拉格朗日乘子，而由於乘子為零的項對模型無任何影響，只有乘子不為零的項即支援向量才會對最後模型的表示式產生影響），故svm的計算複雜度與樣本個數有關，與特徵維度無關，其適用於特徵多、樣本少的分類任務。
（2）間隔最大化or合頁損失函式（hinge loss）
間隔最大化的直觀解釋：以最大的置信度對訓連資料集進行分類，提高模型的泛化能力l。
支援向量機（svm）還有另外一種解釋：即最小化如下損失函式。與感知機（perceptron）略有不同：感知機的損失函式是所有誤分類點到分離超平面的函式距離之和；而支援向量機的損失函式則是合頁損失函式加上正則項。
·感知機的損失函式：
svm的損失函式：
合頁損失函式的圖形：
優點：可以得到特徵空間上唯一間隔最大的分類器。
（3）核函式（kernel function）
面試必備 XGBoost優點解析
1.二階導數資訊 gbdt在優化時只用到了一階導數資訊，而xgboost則對損失函式進行了二階泰勒展開，同時用到了一階和二階導數。2.防止過擬合 1 正則項 xgboost在代價函式裡新增了正則項，用於控制模型的複雜度。正則項包括葉子結點的個數以及葉子節點值的l2範數。從bias variance ...
面試疑難點解析
list,set,map,有什麼區別？list和set實際上市實現了collection介面，那麼collection介面的原理你能簡單描述一下嗎？list介面可以插入多個null值，並且重複值，而且list是乙個有序的集合。set是乙個不可重複的集合，裡面的元素都只出現，最多隻出現1次，並且set...
面試必備 作用域 作用域鏈 預解析
1.變數分為區域性變數和全域性變數，2.作用域 就是變數的使用範圍 所以，作用域也分為區域性作用域和全域性作用域 3.js中沒有塊級作用域，也就是說 一對大括號 定義的變數，這個變數可以在大括號外面使用。栗子1 栗子2 栗子3 4.函式中定義的變數是區域性變數 5.作用域鏈 變數的使用，從裡向外，層...