几个机器学习面试问题解析从容应对面试

　　▍目录

　　全局

　　优化

　　数据预处理

　　抽样和拆分

　　监督学习

　　无监督学习

　　模型评估

　　集成学习

　　商业应用

　　▍全局

　　基本的ML理论，如偏差方差权衡。

　　向外行人解释机器学习。

　　想象一个好奇的孩子，将他的手掌放在蜡烛火焰上，并在感受到短暂的灼热后立刻把手缩回来。第二天，他碰到一个热的炉子，顶部看到红色，感觉到前一天像蜡烛一样的热浪。

　　这个孩子从来没有碰过炉灶，但幸运的是，他从以前的数据中学到了，避免了红色的灼伤。

　　“拟合”模型意味着什么？超参数如何相关？

　　拟合模型是使用训练数据学习模型参数的过程。

　　参数有助于定义机器学习模型的数学公式。

　　然而，还有一些称为超参数的数据不能被学习的“较高级”参数。

　　超参数定义模型的属性，如模型复杂度或学习率。

　　解释偏差方差权衡。

　　预测模型在偏差（拟合模型数据的方式）和方差（基于输入变化的多少）之间有权衡。

　　更简单的模型是稳定的（低方差），但它们不接近真相（高偏差）。

　　更复杂的模型更容易被过度使用（高差异），但它们具有足够的表达能够接近真实性（低偏倚）。

　　给定问题的最佳模式通常位于中间的某处。

　　▍优化

　　找到模型最佳参数的算法。

　　随机梯度下降（SGD）和梯度下降（GD）之间有什么区别？

　　两种算法都是通过对数据进行参数评估，然后进行调整，找到一组最小化损失函数的参数的方法。

　　在标准梯度下降中，您将评估每组参数的所有训练样本。这类似于为解决这个问题而采取了大而缓慢的步骤。

　　在随机梯度下降中，在更新参数集之前，您只需评估1个训练样本。这类似于向解决方案迈出的小步骤。

　　什么时候使用GD超过SDG，反之亦然？

　　GD理论上最大限度地减少误差函数比SGD更好。然而，一旦数据集变大，SGD就会收敛得更快。

　　这意味着GD对于小数据集是优选的，而SGD对于较大的数据是优选的。

　　然而，实际上，SGD用于大多数应用程序，因为它可以将误差函数最小化，同时为大型数据集提供更快的速度和更高的内存效率。

　　▍数据预处理

　　处理丢失的数据，偏态分布，异常值等

　　什么是Box-Cox转换？

　　Box-Cox转换是一种广泛的“权力转型”，它转换数据，使分布更加正常。

　　例如，当lambda参数为0时，它相当于对数转换。

　　它用于稳定方差（消除异方差）并使分布正常化。

　　什么是3种数据预处理技术来处理异常值？

　　1.Winsorize（cap 阈值）。

　　2.转换以减少偏态（使用Box-Cox或类似的）。

　　3.如果你确定它们是异常或测量错误，请删除异常值。