[人工智能]面经-机器学习

ROC 曲线 & AUC

横坐标为假正，纵坐标为真正

越接近1越好，（0，0）表示都预测成负，（1，1）表示都预测成正
而FPR（False Positive Rate）= FP /（FP + TN），即负类数据被分为正类的比例

TPR（True Positive Rate）= TP /（TP + FN），即正类数据被分为正类的比例

AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。 又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。 AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。

GMM 高斯混合模型

GMM

k 个高斯分布拟合样本分布，加权得到结果
EM算法：

xgboost

xgboost
boost算法，先用一个树预测，然后再取树对残差做拟合：




去掉常数后：

评分：
Gj ：叶子结点 j 所包含样本的一阶偏导数累加之和，是一个常量；
Hj ：叶子结点 j 所包含样本的二阶偏导数累加之和，是一个常量；

EM算法