推荐算法八股-CSDN博客

本文链接：https://blog.csdn.net/m0_73542617/article/details/148371656

跑路了，暑期0offer，华为主管面挂了，真幽默，性格测评就挂了居然给我一路放到主管面，科大迅飞太嚣张，直接跟人说后面要面华为，元戎启行，学了C++后python完全忘了怎么写，挺尴尬的，一面挂，想着做视觉后面也找不到工作，跑路，科大和元戎的面试官都挺好的，华为技术面感觉面完啥也没学到，再见，计算机视觉

1.求x的平方根，梯度下降法

def gradient_descent_sqrt(a, eta=0.001, max_iter=1000, tol=1e-6):
    x = a / 2  # 初始值
    for _ in range(max_iter):
        grad = 4 * x * (x**2 - a)  # 计算梯度
        x = x - eta * grad  # 更新
        if abs(grad) < tol:  # 停止条件
            break
    return round(x, 3)

a = 9
result = gradient_descent_sqrt(a)
print("Gradient Descent Result:", result)

牛顿法

def newton_method_sqrt(a, max_iter=1000, tol=1e-6):
    x = a / 2  # 初始值
    for _ in range(max_iter):
        x_new = 0.5 * (x + a / x)  # 牛顿法更新公式
        if abs(x_new - x) < tol:  # 停止条件
            break
        x = x_new
    return round(x, 3)

result = newton_method_sqrt(a)
print("Newton's Method Result:", result)

2.xgboost,lightgbm,catboost,直接看链接

详解 CatBoost 原理-CSDN博客文章浏览阅读1.7w次，点赞36次，收藏129次。详解 CatBoost 原理集成学习的两大准则：基学习器的准确性和多样性。算法：串行的Boosting和并行的Bagging,前者通过错判训练样本重新赋权来重复训练，来提高基学习器的准确性，降低偏差！后者通过采样方法，训练出多样性的基学习器，降低方差。1.catboost 的优缺点性能卓越：在性能方面可以匹敌任何先进的机器学习算法鲁棒性/强健性：它减少了对很多超参数调优的需求，并降低了过度拟合的机会，这也使得模型变得更加具有通用性易于使用：提供与 scikit 集成的 Python 接口，以及_catboosthttps://blog.csdn.net/weixin_49708196/article/details/124018649 机器学习—LightGBM的原理、优化以及优缺点_lightgbm优缺点-CSDN博客文章浏览阅读2.4w次，点赞78次，收藏225次。LightGBM是为解决GBDT在海量数据中的效率问题而提出的，通过直方图算法、单边梯度采样、互斥特征捆绑和带深度限制的Leaf-wise算法实现速度和内存的优化。与XGBoost相比，LightGBM在内存占用和计算速度上具有显著优势，同时支持类别特征，并行计算和缓存优化。然而，Leaf-wise策略可能导致过拟合，需要设置最大深度限制。https://blog.csdn.net/weixin_46649052/article/details/119604545 【机器学习】XGBoost数学原理及详细实现过程_xgboost的数学原理-CSDN博客文章浏览阅读3.8k次，点赞6次，收藏42次。XGBoost（Extreme Gradient Boosting）是一种高效的梯度提升决策树算法,与lightgbm是目前表格型数据竞赛最主流的树模型。它在原有的GBDT（Gradient Boosting Decision Tree）基础上进行了改进，使得模型效果得到大大提升。XGBoost是由多棵CART（Classification And Regression Tree）组成，因此它不仅可以处理分类回归等问题。_xgboost的数学原理https://blog.csdn.net/qq_70699891/article/details/1342570833.TPE算法（贝叶斯优化）