幾個機器學習面試問題解析從容應對面試
▍目錄
全局
優(yōu)化
數(shù)據(jù)預處理
抽樣和拆分
監(jiān)督學習
無監(jiān)督學習
模型評估
集成學習
商業(yè)應用
▍全局
基本的ML理論，如偏差方差權衡。
向外行人解釋機器學習。
想象一個好奇的孩子，將他的手掌放在蠟燭火焰上，并在感受到短暫的灼熱后立刻把手縮回來。第二天，他碰到一個熱的爐子，頂部看到紅色，感覺到前一天像蠟燭一樣的熱浪。
這個孩子從來沒有碰過爐灶，但幸運的是，他從以前的數(shù)據(jù)中學到了，避免了紅色的灼傷。
“擬合”模型意味著什么？超參數(shù)如何相關？
擬合模型是使用訓練數(shù)據(jù)學習模型參數(shù)的過程。
參數(shù)有助于定義機器學習模型的數(shù)學公式。
然而，還有一些稱為超參數(shù)的數(shù)據(jù)不能被學習的“較高級”參數(shù)。
超參數(shù)定義模型的屬性，如模型復雜度或?qū)W習率。
解釋偏差方差權衡。
預測模型在偏差（擬合模型數(shù)據(jù)的方式）和方差（基于輸入變化的多少）之間有權衡。
更簡單的模型是穩(wěn)定的（低方差），但它們不接近真相（高偏差）。
更復雜的模型更容易被過度使用（高差異），但它們具有足夠的表達能夠接近真實性（低偏倚）。
給定問題的最佳模式通常位于中間的某處。
▍優(yōu)化
找到模型最佳參數(shù)的算法。
隨機梯度下降（SGD）和梯度下降（GD）之間有什么區(qū)別？
兩種算法都是通過對數(shù)據(jù)進行參數(shù)評估，然后進行調(diào)整，找到一組最小化損失函數(shù)的參數(shù)的方法。
在標準梯度下降中，您將評估每組參數(shù)的所有訓練樣本。這類似于為解決這個問題而采取了大而緩慢的步驟。
在隨機梯度下降中，在更新參數(shù)集之前，您只需評估1個訓練樣本。這類似于向解決方案邁出的小步驟。
什么時候使用GD超過SDG，反之亦然？
GD理論上最大限度地減少誤差函數(shù)比SGD更好。然而，一旦數(shù)據(jù)集變大，SGD就會收斂得更快。
這意味著GD對于小數(shù)據(jù)集是優(yōu)選的，而SGD對于較大的數(shù)據(jù)是優(yōu)選的。
然而，實際上，SGD用于大多數(shù)應用程序，因為它可以將誤差函數(shù)最小化，同時為大型數(shù)據(jù)集提供更快的速度和更高的內(nèi)存效率。
▍數(shù)據(jù)預處理
處理丟失的數(shù)據(jù)，偏態(tài)分布，異常值等
什么是Box-Cox轉(zhuǎn)換？
Box-Cox轉(zhuǎn)換是一種廣泛的“權力轉(zhuǎn)型”，它轉(zhuǎn)換數(shù)據(jù)，使分布更加正常。
例如，當lambda參數(shù)為0時，它相當于對數(shù)轉(zhuǎn)換。
它用于穩(wěn)定方差（消除異方差）并使分布正常化。
什么是3種數(shù)據(jù)預處理技術來處理異常值？
1.Winsorize（cap 閾值）。
2.轉(zhuǎn)換以減少偏態(tài)（使用Box-Cox或類似的）。
3.如果你確定它們是異常或測量錯誤，請刪除異常值。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%