机器学习面试题目

《机器学习面试题目》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、word资料下载可编辑1、有监督学习和无监督学习的区别有监督学习：对具有标记的训练样本进行学习，以尽可能对训练样本集外的数据进行分类预测。（LR,SVM,BP,RF,GBDT）无监督学习：对未标记的样本进行训练学习，比发现这些样本中的结构知识。(KMeans,DL)2、正则化正则化是针对过拟合而提出的，以为在求解模型最优的是一般优化最小的经验风险，现在在该经验风险上加入模型复杂度这一项（正则化项是模型参数向量的范数），并使用一个rate比率来权衡模型复杂度与以往经验风险的权重，如果模型复杂度越高，结构

2、化的经验风险会越大，现在的目标就变为了结构经验风险的最优化，可以防止模型训练过度复杂，有效的降低过拟合的风险。奥卡姆剃刀原理，能够很好的解释已知数据并且十分简单才是最好的模型。过拟合如果一味的去提高训练数据的预测能力，所选模型的复杂度往往会很高，这种现象称为过拟合。所表现的就是模型训练时候的误差很小，但在测试的时候误差很大。产生的原因过拟合原因：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

3、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、交叉验证专业技术资料word资料下载可编辑不

4、要过度训练，最优化求解时，收敛之前停止迭代。决策树模型没有剪枝权值衰减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

5、X)作为预测的模型，即生成模型：P(Y

6、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

7、X)作为预测的模型，即判别模

8、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

9、？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SVM2.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+GaussianKernel3.如果Feature的数量比较小，而样

10、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）专业技术资料word资料下载可编辑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

11、xi

12、）L2是在lossfunc

13、tion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0L1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