leetcode积分怎么用机器学习的面试知识点参考。一、机器学习单模型。1、LR的损失函数的公式和函数。2、LR的推导过程。3、LR如何解决共线性，为什么深度学习不强调。4、LR如何防止过拟合。5、LR分布式训练怎么做。6、LR为什么使用Sigmoid。7、SVM的损失函数。8、SVM的推导过程。9、SVM怎么扩展到多分类问题。10、SVM需要解决的重要数学问题是什么。11、LR和SVM的区别。12、Gini系数、信息增益率的公式。13、CART回归和分类时节点如何划分。14、决策树将一个特征全部乘以2会有什么影响。15、反向传播算法的推导。16、贝叶斯原理。17、L_BFGS，DFP推导。18、Kmeans算法，如何选择k的个数。19、DBSCAN介绍。20、GMM算法。21、UBM-GMM模型。集成学习。1、Boosting和Bagging的比较。2、XGB的推导。3、XGB为什么要用二阶信息不用一阶。4、XGB的VC维。5、LGB、XGB的区别和联系，并行是如何并行的。6、GBDT的原理，以及常用的调参的参数。7、XGB与GBDT的比较。8、RF怎么进行。