标签：误差 零散 机器 训练 噪声 鲁棒性 矩阵 拟合 2.2

A、EM是一种迭代算法，用于含有隐变量的概率参数模型的最大似然估计或极大后验概率估计。最大优点是简单和稳定，但与梯度下降一样，容易陷入局部最优。 B、SVM对缺失数据敏感，所以噪声鲁棒性不是很好。噪声鲁棒性好要数神经网络。 C、过拟合往往是因为训练数据太少而导致。 D、训练数据越多，拟合度越好，训练误差和测试误差距离自然越小。 E、矩阵计算，矩阵维度低的先相乘效率更高

标签：误差,零散,机器,训练,噪声,鲁棒性,矩阵,拟合,2.2
来源： https://www.cnblogs.com/allenm/p/15603520.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。