0 大家好，今天小编关注到一个比较有意思的话题，就是关于李航 统计学习方法的问题，于是小编就整理了3个相关介绍李航 统计学习方法的解答，让我们一起看看吧。
gbdt的残差为什么用负梯度代替？
先验知识：
提升树的优化目标： ,其中yi为真实label，为第m-1个模型，为残差。
——公式来自 李航《统计学习方法》P148
对于上述优化目标，L即损失函数是本次讨论的重点。
平方误差损失函数
当L为平方误差损失函数时，,
带入提升树，为
其中，。
可以看出来，损失函数的最小化可以看作让 r 尽量等价于残差。
r是什么呢，，使用平方误差损失函数时的残差值。
其他损失函数
平方误差损失函数的残差，其他损失函数却不一定是，那么有一个通用的残差吗？
大佬Freidman提出了梯度提升树（gradient boosting），这里就是使用损失函数的负梯度作为残差的近似值。
为什么损失函数的负梯度作为残差的近似值？
回到损失函数。
我们将f(x)而不是θ作为自变量。根据梯度下降法，可以得到损失函数参数的更新公式：
,
同时，因为提升树的定义：.
于是，就可以得到残差等于负梯度。
机器学习有哪些学习路线？
首先，你要了解算法的过程，可以专门买一本数据挖掘方面的书来看，其次，你说你懂Python，那么你要学习Python机器学习包，比如，numpy，pandas，skearn，matplotlib等库，要熟悉各种算法接口，尤其是算法类的参数，最后是提升，你要懂算法原理，只懂算法过程只能算是入门，但是要提高自己，必须要冻原理，算法原理涉及的数学知识比较多，统计学，概率学，微积分，代数等等，真正搞懂各个算法原理并不是容易的事，但是你说你有数学基础，那么学这些其实并不算很难。
当然，人工智能的发展，需要你对深度学习也要会，还要会spark分布式计算，这些可以慢慢来，工作中提升。
没有什么捷径，只有不断学习学习😊
我想你应该是还没有毕业的学生吧。刚毕业的应届生，企业要求不高，你在电脑上安装python，下载好机器学习库，然后安装一个深度学习框架，这样好入手，我用的是tensorflow，你也可以弄弄，然后建议你看看李航的《统计学习方法》和周志华的《机器学习》，在把深度学习里面经典网络跑一跑，弄清楚里面数据运算过程，这样秋招不用愁
对于人工智能而言，目前有哪些学习方法？
人工智能是一个多学科交叉的一个综合学科，不是能够编程就可以胜任的，特别是在某些专业领域，需要将一些统计学习，机器学习，深度学习的算法应用到专业领域上，这是一个持续的过程。所以扎实的编程基础和算法基础是一个前提条件，当然涉及的更深会牵涉到强化学习的内容，但是更重要的是对业务的处理，如果将最新的算法应用到实际业务上，这个很重要。如果与实际业务脱离，无法发挥实际作用，再好的算法也是白搭。所以想要学好人工智能，算法，编程和业务三者缺一不可。从算法角度建议从算法导论这种较为基础的书籍看起，一些排序算法，红黑书算法，遗传算法，蚁群算法以及数据结构是基础；更进一步，李航的统计学习，周志华的西瓜书是入门机器学习最好的选择，而对于深度学习，花书是一个不二选择；从编程的角度，主要是学好python，c＋＋，c，Java等语言以及一些微服务架构，这是将算法变现的最直接的途径，python在于实现思路，而java则与大数据有紧密的结合；c语言能从底层优化算法；对于业务而言，要熟悉自己所在的专业领域的知识以及用户的需求，从产品经理的角度来思考算法的应用，多了解数据库间不同实体之间的关系。做到这三点，你就能在人工智能领域如鱼得水了。
到此，以上就是小编对于李航 统计学习方法的问题就介绍到这了，希望介绍关于李航 统计学习方法的3点解答对大家有用。