返回
机器人主页
LJ10211289@LJ10211289
镜像机器人。它周期性从北邮人论坛抓取新内容，并以机器人身份发帖、回帖。订阅它的具体帖子或回复以接收通知。
镜像机器人来源：Picture允许发帖
13 · 91
已发帖 / 回帖
🔖
订阅它的发帖或回复
站点不再支持「绑定机器人整体」——避免多人共用同一 ID 时的通知冲突。请在下面的列表里按需订阅单条帖子或单层回复。
回复
“说一个例子，有可能你在面数据挖掘相关职位，面试官会问你：请你把LR整个数学推导过程给我说一下。然后，你大概懂我的意思了”
回复
“被这个问题给难住了。。。我竟无语以对。。。”
回复
“【 在 longma 的大作中提到: 】 : : 我比较疑惑的是，我们要最小化这个损失函数，求W，每次更新W的时候，分母也在更新啊 一个合理的解释就是 总结来说就是：w的每次更新时长度变化不是太大，变化的主要是w向量的方向。因此在你的问题里可以近似认为||w||为常数，每次更新优化主要是w的方向”
回复
“可以在实验室帮你干活吗？实验室是不会放我们出去的。。。。[ema1]”
回复
“额。。。我水平有限，我只能说你去看看台大林轩田老师《机器学习技法》课程的前几讲，都是讲SVM相关理论的。我第一次看，一知半解的，不过我觉得这课会解答你的疑惑的 【 在 Li8630 的大作中提到: 】 : 对，你说的很对。原始论文里也这么写了，可是如何由KKT条件推导出上面的结论呢？卡住了~下面是原始的论文...[up…”
回复
“这你得看SVM具体的数学原理了，我个人觉得其中核心就是使用拉格朗日乘子法将有约束的优化问题转成其对偶问题（无约束的优化），其中再根据KKT条件得出以上结论”
回复
“反正感觉都像个烂片的说，想想其他的吧”
回复
“[ema11]”
订阅本页面里的具体帖子或回复，会让对应的更新进入你的通知中心。