最新机器学习面试题目文档格式.docx

最新机器学习面试题目文档格式.docx

《最新机器学习面试题目文档格式.docx》由会员分享，可在线阅读，更多相关《最新机器学习面试题目文档格式.docx（19页珍藏版）》请在冰豆网上搜索。

1.样本数据的问题。

样本数量太少；

抽样方法错误，抽出的样本数据不能有效足够代表业务逻辑或业务场景。

比如样本符合正态分布，却按均分分布抽样，或者样本数据不能代表整体数据的分布；

样本里的噪音数据干扰过大

2.模型问题

模型复杂度高、参数太多

决策树模型没有剪枝

权值学习迭代次数足够多（Overtraining）,拟合了训练数据中的噪声和训练样例中没有代表性的特征.

解决方法

1.样本数据方面。

增加样本数量，对样本进行降维，添加验证数据

抽样方法要符合业务场景

清洗噪声数据

2.模型或训练问题

控制模型复杂度，优先选择简单的模型，或者用模型融合技术。

利用先验知识，添加正则项。

L1正则更加容易产生稀疏解、L2正则倾向于让参数w趋向于0.

4、交叉验证

不要过度训练，最优化求解时，收敛之前停止迭代。

权值衰减

5、泛化能力

泛化能力是指模型对未知数据的预测能力

6、生成模型和判别模型

1.生成模型：

由数据学习联合概率分布P（X,Y），然后求出条件概率分布P（Y|X）作为预测的模型，即生成模型：

P（Y|X）=P（X,Y）/P（X）。

（朴素贝叶斯、Kmeans）

生成模型可以还原联合概率分布p（X,Y），并且有较快的学习收敛速度，还可以用于隐变量的学习

2.判别模型：

由数据直接学习决策函数Y=f（X）或者条件概率分布P（Y|X）作为预测的模型，即判别模型。

（k近邻、决策树、SVM）

直接面对预测，往往准确率较高，直接对数据在各种程度上的抽象，所以可以简化模型

7、线性分类器与非线性分类器的区别以及优劣

如果模型是参数的线性函数，并且存在线性分类面，那么就是线性分类器，否则不是。

常见的线性分类器有：

LR,贝叶斯分类，单层感知机、线性回归

常见的非线性分类器：

决策树、RF、GBDT、多层感知机

SVM两种都有（看线性核还是高斯核）

线性分类器速度快、编程方便，但是可能拟合效果不会很好

非线性分类器编程复杂，但是效果拟合能力强

8、特征比数据量还大时，选择什么样的分类器？

线性分类器，因为维度高的时候，数据一般在维度空间里面会比较稀疏，很有可能线性可分

对于维度很高的特征，你是选择线性还是非线性分类器？

理由同上

对于维度极低的特征，你是选择线性还是非线性分类器？

非线性分类器，因为低维空间可能很多特征都跑到一起了，导致线性不可分

1.如果Feature的数量很大，跟样本数量差不多，这时候选用LR或者是LinearKernel的SVM

2.如果Feature的数量比较小，样本数量一般，不算大也不算小，选用SVM+GaussianKernel

3.如果Feature的数量比较小，而样本数量很多，需要手工添加一些feature变成第一种情况

9、ill-condition病态问题

训练完的模型测试样本稍作修改就会得到差别很大的结果，就是病态问题（这简直是不能用啊）

10、L1和L2正则的区别，如何选择L1和L2正则

http:

//blog.csdn.NET/xbmatrix/article/details/61624196

他们都是可以防止过拟合，降低模型复杂度

L1是在lossfunction后面加上模型参数的1范数（也就是|xi|）

L2是在lossfunction后面加上模型参数的2范数（也就是sigma（xi^2）），注意L2范数的定义是sqrt（sigma（xi^2）），在正则项上没有添加sqrt根号是为了更加容易优化

L1会产生稀疏的特征

L2会产生更多地特征但是都会接近于0

L1会趋向于产生少量的特征，而其他的特征都是0，而L2会选择更多的特征，这些特征都会接近于0。

L1在特征选择时候非常有用，而L2就只是一种规则化而已。

L1求解

最小角回归算法：

LARS算法

11、越小的参数说明模型越简单

过拟合的，拟合会经过曲面的每个点，也就是说在较小的区间里面可能会有较大的曲率，这里的导数就是很大，线性模型里面的权值就是导数，所以越小的参数说明模型越简单。

12、为什么一些机器学习模型需要对数据进行归一化？

归一化化就是要把你需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。

1）归一化后加快了梯度下降求最优解的速度。

等高线变得显得圆滑，在梯度下降进行求解时能较快的收敛。

如果不做归一化，梯度下降过程容易走之字，很难收敛甚至不能收敛

2）把有量纲表达式变为无量纲表达式,有可能提高精度。

一些分类器需要计算样本之间的距离（如欧氏距离），例如KNN。

如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况相悖（比如这时实际情况是值域范围小的特征更重要）

3）逻辑回归等模型先验假设数据服从正态分布。

哪些机器学习算法不需要做归一化处理？

概率模型不需要归一化，因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率，如决策树、rf。

而像adaboost、gbdt、xgboost、svm、lr、KNN、KMeans之类的最优化问题就需要归一化。

特征向量的归一化方法

线性函数转换，表达式如下：

y=（x-MinValue）/（MaxValue-MinValue）

对数函数转换，表达式如下：

y=log10（x）

反余切函数转换，表达式如下：

y=arctan（x）*2/PI

减去均值，乘以方差：

y=（x-means）/variance

标准化与归一化的区别

简单来说，标准化是依照特征矩阵的列处理数据，其通过求z-score的方法，将样本的特征值转换到同一量纲下。

归一化是依照特征矩阵的行处理数据，其目的在于样本向量在点乘运算或其他核函数计算相似性时，拥有统一的标准，也就是说都转化为“单位向量”。

规则为l2的归一化公式如下：

13、特征向量的缺失值处理

1.缺失值较多.直接将该特征舍弃掉，否则可能反倒会带入较大的noise，对结果造成不良影响。

2.缺失值较少,其余的特征缺失值都在10%以内，我们可以采取很多的方式来处理:

1）把NaN直接作为一个特征，假设用0表示；

2）用均值填充；

3）用随机森林等算法预测填充

随机森林如何处理缺失值（http:

//charleshm.github.io/2016/03/Random-Forest-Tricks/）

方法一（na.roughfix）简单粗暴，对于训练集,同一个class下的数据，如果是分类变量缺失，用众数补上，如果是连续型变量缺失，用中位数补。

方法二（rfImpute）这个方法计算量大，至于比方法一好坏？

不好判断。

先用na.roughfix补上缺失值，然后构建森林并计算proximitymatrix，再回头看缺失值，如果是分类变量，则用没有缺失的观测实例的proximity中的权重进行投票。

如果是连续型变量，则用proximity矩阵进行加权平均的方法补缺失值。

然后迭代4-6次，这个补缺失值的思想和KNN有些类似12。

随机森林如何评估特征重要性（http:

衡量变量重要性的方法有两种，DecreaseGINI和DecreaseAccuracy：

1）DecreaseGINI：

对于回归问题，直接使用argmax（Var−VarLeft−VarRight）作为评判标准，即当前节点训练集的方差Var减去左节点的方差VarLeft和右节点的方差VarRight。

2）DecreaseAccuracy：

对于一棵树Tb（x），我们用OOB样本可以得到测试误差1；

然后随机改变OOB样本的第j列：

保持其他列不变，对第j列进行随机的上下置换，得到误差2。

至此，我们可以用误差1-误差2来刻画变量j的重要性。

基本思想就是，如果一个变量j足够重要，那么改变它会极大的增加测试误差；

反之，如果改变它测试误差没有增大，则说明该变量不是那么的重要。

14、优化Kmeans

使用kd树或者balltree（这个树不懂）

将所有的观测实例构建成一颗kd树，之前每个聚类中心都是需要和每个观测点做依次距离计算，现在这些聚类中心根据kd树只需要计算附近的一个局部区域即可

KMeans初始类簇中心点的选取

k-means++算法选择初始seeds的基本思想就是：

初始的聚类中心之间的相互距离要尽可能的远。

1.从输入的数据点集合中随机选择一个点作为第一个聚类中心

2.对于数据集中的每一个点x，计算它与最近聚类中心（指已选择的聚类中心）的距离D（x）

3.选择一个新的数据点作为新的聚类中心，选择的原则是：

D（x）较大的点，被选取作为聚类中心的概率较大

4.重复2和3直到k个聚类中心被选出来

5.利用这k个初始的聚类中心来运行标准的k-means算法

15、解释对偶的概念

一个优化问题可以从两个角度进行考察，一个是primal问题，一个是dual问题，就是对偶问题，一般情况下对偶问题给出主问题最优值的下界，在强对偶性成立的情况下由对偶问题可以得到主问题的最优下界，对偶问题是凸优化问题，可以进行较好的求解，SVM中就是将primal问题转换为dual问题进行求解，从而进一步引入核函数的思想。

16、如何进行特征选择？

特征选择是一个重要的数据预处理过程，主要有两个原因：

一是减少特征数量、降维，使模型泛化能力更强，减少过拟合;

二是增强对特征和特征值之间的理解

常见的特征选择方式：

1.去除方差较小的特征

2.正则化。

1正则化能够生成稀疏的模型。

L2正则化的表现更加稳定，由于有用的特征往往对应系数非零。

3.随机森林，对于分类问题，通常采用基尼不纯度或者信息增益，对于回归问题，通常采用的是方差或者最小二乘拟合。

一般不需要featureengineering、调参等繁琐的步骤。

它的两个主要问题，1是重要的特征有可能得分很低（关联特征问题），2是这种方法对特征变量类别多的特征越有利（偏向问题）。

4.稳定性选择。

是一种基于二次抽样和选择算法相结合较新的方法，选择算法可以是回归、SVM或其他类似的方法。

它的主要思想是在不同的数据子集和特征子集上运行特征选择算法，不断的重复，最终汇总特征选择结果，比如可以统计某个特征被认为是重要特征的频率（被选为重要特征的次数除以它所在的子集被测试的次数）。

理想情况下，重要特征的得分会接近100%。

稍微弱一点的特征得分会是非0的数，而最无用的特征得分将会接近于0。

17、数据预处理

1.缺失值，填充缺失值fillna：

i