自动化考研面试专业课重点笔记——《AI十大算法入门》篇!
- 2026-09-21 09:18:11
自动化考研面试专业课重点笔记——《AI十大算法入门》篇!
⭐️26考研已经进入复试备考阶段，为迎合人工智能学院及人工智能学科方向崛起的趋势，联盟为大家整理了人工智能（偏计算机）相关学科的重点知识，助力大家应对最新的考研复试热点~
今天给大家带来的是《AI十大算法》重点汇总！内容全部选自联盟自动化考研联盟企业店(闲🐟店)的：《复试面试班圣经-盘古篇中册》，大家可以收藏起来，方便日常学习！ 同时需要PDF版本的可以扫码进群，找卢老师领取~ 
下面直接上重点： 1.模型简单，容易实现 2.许多非线性模型的基础 3.机器学习的基石 缺点： 1.对于非线性数据或者数据特征间具有相关性多项式回归难以建模 2.难以很好地表达高度复杂的数据 适用场景：线性回归作为最基础的模型，一般需要一个简单的回归模型的时候，通常使用线性回归，同时线性回归也是很多模型的基石。 优点： 1.理论成熟，思想简单； 2.可用于非线性； 3.准确度高； 4.对异常值不敏感。 缺点： 1.计算量大; 2.样本不均衡的问题; 3.需要大量的内存。 适用场景： 条件概率：设A、B为两个事件，且P(B)>0，则P(A|B)=P(AB)/P(B)，它表示在事件B已经发生的前提下，事件A发生的概率。 全概率： 
贝叶斯公式： 
优点： 1.朴素贝叶斯起源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率； 2.对小规模的数据表现很好，能进行多分类； 3.对缺失值不敏感，算法简单。 缺点： 1.需要计算先验概率； 2.对特征间强相关的模型分类效果不好。 适用场景： 容易解释，不同维度之间相关性小的模型，不计后果的前提下可以处理高维数据。 
核心：用线性组合计算特征得分，再通过 Sigmoid 函数将得分映射成 0-1 之间的概率值，从而实现二分类预测，同时输出的概率值也可用于解释事件发生的可能性。 优点： 1.实现简单，广泛应用于工业上； 2.分类时计算量非常小，速度很快，存储资源少； 3.可观测样本的概率分数。 缺点： 1.特征空间很大时，性能不是很好； 2.容易前拟合，一般准确度不高； 3.只能处理二分类线性可分问题。 适用场景： 很多分类算法的基础组件；用于分析单一因素对某一事件发生的影响因素；用于预测事件发生的概率。 
优点： 1.可以解决高维问题，即大型特征空间; 2.能够处理非线性特征的相互作用； 3.无需依赖整个数据。 缺点： 1.当观测样本很多的时候，效率不是很高； 2.对非线性问题没有通用的解决方案，很难找到一个合适的核函数； 3.对缺失数据敏感。 适用场景： 在很多数据集上都有优秀的表现，拿到数据就可以尝试一下SVM（高维数据注意核函数的选择）。 
优点： 1.计算简单，易于理解，可解释行强； 2.比较适合有缺失属性的样本； 3.能够处理不相关的特征； 4.在短时间内可以对大型数据做出好的结果。 缺点： 1.容易发生过拟合； 2.易被攻击； 3.忽略了数据之间的相关性； 4.各个类别样本数量不一致的数据，信息增益偏向具有更多数值的特征。 适用场景： 常作为一些算法的基石；它能够生成清晰的基于特征(feature)选择不同预测结果的树状结构，数据分析师希望更好的理解手上的数据的时候往往可以使用决策树。 
优点： 1.可以解决分类和回归问题； 2.抗过拟合能力强； 3.稳定性强。 缺点： 1.模型复杂； 2.计算成本高； 3.计算时间长。 适用场景： 数据维度相对低（几十维），同时对准确性有较高的要求；使用随机森林时，不需要调节很多的参数就可以达到很好的效果，所以不知道用什么方法时可以尝试一下。 
优点： 1.预测精度高； 2.适合低维数据； 3.能处理非线性数据； 4.可以灵活处理各种类型的数据，包括连续值和离散值； 5.在相对少的调参时间情况下，预测的准备率也可以比较高。 缺点： 1.由于弱学习器之间存在依赖关系，难以并行训练数据。不过可以通过自采样的SGBT来达到部分并行； 2.如果数据维度较高时会加大算法的计算复杂度。 适用场景：不知道用什么模型时候可以使用的回归/分类模型 
原理：通过计算伪残差，计算加和（同GBDT）。 对比GBDT的改进（优点继承）： 1.传统GBDT以CART作为基分类器，xgboost还支持线性分类器，这个时候xgboost相当于带L1和L2正则化项的逻辑回归（分类问题）或者线性回归（回归问题）。 2.传统GBDT在优化时只用到一阶导数信息，xgboost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数（能自定义损失函数）。 3.gboost在代价函数里加入了正则项，用于控制模型的复杂度。正则项里包含了树的叶子节点个数、每个叶子节点上输出的score的L2模的平方和。正则项降低了模型的复杂度，使学习出来的模型更加简单，防止过拟合，这也是xgboost优于传统GBDT的一个特性。 适用场景：各种比赛的大杀器，不知道用什么模型时候可以使用的回归/分类模型 
原理：物以类聚，人以群分 优点： 1. 原理简单，容易实现 2. 内存占用小 缺点: 1. K值需要预先给定，属于预先知识，很多情况下K值的估计是非常困难的，对于像计算全部微信用 户的交往圈这样的场景就完全的没办法用K-Means进行。 2. K-Means算法对初始选取的聚类中心点是敏感的，不同的随机种子点得到的聚类结果完全不同（K-Means++）。 3. K均值算法并不适合所有的数据类型。 4. 对离群点的数据进行聚类时，K均值也有问题，这种情况下，离群点检测和删除有很大的帮助。 适用场景：没有明确标签的情况下，我们经常用聚类模型来进行操作。 
最后，自动化考研联盟团队全体成员，祝大家一战成硕，考研上岸，有其他问题或需求欢迎评论区留言或者后台私信哦！
微信改规则了，不常点赞互动，不会第一时间收到推送，喜欢看学姐的文章，记得多点赞&在看呀 
点分享 
点点赞 
点在看
点击上方蓝字关注我们
一.线性回归
思路：线性回归假设目标值与特征之间线性相关，即满足一个多元一次方程。通过构建损失函数，来求解损失函数最小时的参数w和b。
优点：
二.K近邻算法
思路：对于待判断的点，找到离他最近的几个数据点，根据他们的类型决定待判断点的类型。。
特点：完全跟着数据走，没有什么数学模型。
需要一个好解释的模型的时候。
三.朴素贝叶斯（NB）
四.逻辑回归（LR）
五.支持向量机（SVM）
核心：找到不同类别之间的分类面，使得两类样本尽量落在面的两边，且离分类面尽量远。
六.机决策树（DT）
核心：信息增益；信息增益比；Gini系数。
七.随机森林（RF）
核心：两个随机（随机选取训练样本，随机选取特征），由决策树形成。
八.GBDT
原理：计算树的伪残差，通过前一棵树的残差拟合下一棵树，最终进行残差的加和。
九.XGBoost
十.K-Means
联盟独家福利大礼包
1.联盟复试高校汇总
2.各高校自动化考研资源QQ群
| 联盟各高校自动化考研QQ群(部分） | |
| 院校 | 扣扣群号 |
| 25自动化考研联盟总群 | 498637757 |
| 江苏省 | |
| 南京理工大学 | 606579586 |
| 南京航空航天大学 | 621069148 |
| 南京邮电大学 | 973730406 |
| 南京工业大学 | 537554778 |
| 南京信息工程大学 | 949285580 |
| 中国矿业大学 | 971212016 |
| 河海大学 | 187849515 |
| 江南大学 | 558970082 |
| 浙江省 | |
| 浙江大学 | 971278732 |
| 杭州电子科技大学 | 958424983 |
| 浙江工业大学 | 903161437 |
| 中国计量大学 | 626782163 |
| 上海市 | |
| 上海交通大学 | 884263936 |
| 上海大学 | 574726401 |
| 华东理工大学 | 579203384 |
| 上海电力大学 | 670109389 |
| 东华大学 | 581727619 |
| 上海理工大学 | 996808157 |
| 安徽省 | |
| 中国科学技术大学 | 593956536 |
| 安徽大学 | 650824745 |
| 合肥工业大学 | 736954211 |
| 其它地区 | |
| 重庆邮电大学 | 664200516 |
| 青岛理工大学 | 606550125 |
| 内蒙古大学 | 304938525 |
本文部分数据来源网络，如有侵权请联系我们删除！
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。
