這篇文章主要介紹“機(jī)器學(xué)習(xí)常見面試題有哪些”，在日常操作中，相信很多人在機(jī)器學(xué)習(xí)常見面試題有哪些問題上存在疑惑，小編查閱了各式資料，整理出簡(jiǎn)單好用的操作方法，希望對(duì)大家解答”機(jī)器學(xué)習(xí)常見面試題有哪些”的疑惑有所幫助！接下來，請(qǐng)跟著小編一起來學(xué)習(xí)吧！

10年積累的網(wǎng)站建設(shè)、做網(wǎng)站經(jīng)驗(yàn)，可以快速應(yīng)對(duì)客戶對(duì)網(wǎng)站的新想法和需求。提供各種問題對(duì)應(yīng)的解決方案。讓選擇我們的客戶得到更好、更有力的網(wǎng)絡(luò)服務(wù)。我雖然不認(rèn)識(shí)你，你也不認(rèn)識(shí)我。但先網(wǎng)站設(shè)計(jì)后付款的網(wǎng)站建設(shè)流程，更有邛崍免費(fèi)網(wǎng)站建設(shè)讓你可以放心的選擇與我們合作。

1.什么是偏差與方差？

泛化誤差可以分解成偏差的平方加上方差加上噪聲。偏差度量了學(xué)習(xí)算法的期望預(yù)測(cè)和真實(shí)結(jié)果的偏離程度，刻畫了學(xué)習(xí)算法本身的擬合能力，方差度量了同樣大小的訓(xùn)練集的變動(dòng)所導(dǎo)致的學(xué)習(xí)性能的變化，刻畫了數(shù)據(jù)擾動(dòng)所造成的影響，噪聲表達(dá)了當(dāng)前任務(wù)上任何學(xué)習(xí)算法所能達(dá)到的期望泛化誤差下界，刻畫了問題本身的難度。偏差和方差一般稱為bias和variance，一般訓(xùn)練程度越強(qiáng)，偏差越小，方差越大，泛化誤差一般在中間有一個(gè)最小值，如果偏差較大，方差較小，此時(shí)一般稱為欠擬合，而偏差較小，方差較大稱為過擬合。

2.采用 EM 算法求解的模型有哪些，為什么不用牛頓法或梯度下降法？

用EM算法求解的模型一般有GMM或者協(xié)同過濾，k-means其實(shí)也屬于EM。EM算法一定會(huì)收斂，但是可能收斂到局部最優(yōu)。由于求和的項(xiàng)數(shù)將隨著隱變量的數(shù)目指數(shù)上升，會(huì)給梯度計(jì)算帶來麻煩。

3.SVM、LR、決策樹的對(duì)比？

模型復(fù)雜度：SVM支持核函數(shù)，可處理線性非線性問題;LR模型簡(jiǎn)單，訓(xùn)練速度快，適合處理線性問題;決策樹容易過擬合，需要進(jìn)行剪枝損失函數(shù)：SVM hinge loss; LR L2正則化; adaboost 指數(shù)損失數(shù)據(jù)敏感度：SVM添加容忍度對(duì)outlier不敏感，只關(guān)心支持向量，且需要先做歸一化; LR對(duì)遠(yuǎn)點(diǎn)敏感數(shù)據(jù)量：數(shù)據(jù)量大就用LR，數(shù)據(jù)量小且特征少就用SVM非線性核

4.GBDT 和隨機(jī)森林的區(qū)別

隨機(jī)森林采用的是bagging的思想，bagging又稱為bootstrap aggreagation，通過在訓(xùn)練樣本集中進(jìn)行有放回的采樣得到多個(gè)采樣集，基于每個(gè)采樣集訓(xùn)練出一個(gè)基學(xué)習(xí)器，再將基學(xué)習(xí)器結(jié)合。隨機(jī)森林在對(duì)決策樹進(jìn)行bagging的基礎(chǔ)上，在決策樹的訓(xùn)練過程中引入了隨機(jī)屬性選擇。傳統(tǒng)決策樹在選擇劃分屬性的時(shí)候是在當(dāng)前節(jié)點(diǎn)屬性集合中選擇最優(yōu)屬性，而隨機(jī)森林則是對(duì)結(jié)點(diǎn)先隨機(jī)選擇包含k個(gè)屬性的子集，再選擇最有屬性，k作為一個(gè)參數(shù)控制了隨機(jī)性的引入程度。另外，GBDT訓(xùn)練是基于Boosting思想，每一迭代中根據(jù)錯(cuò)誤更新樣本權(quán)重，因此是串行生成的序列化方法，而隨機(jī)森林是bagging的思想，因此是并行化方法。

5.xgboost怎么給特征評(píng)分？

在訓(xùn)練的過程中，通過Gini指數(shù)選擇分離點(diǎn)的特征，一個(gè)特征被選中的次數(shù)越多，那么該特征評(píng)分越高。

1. # feature importance  
2. print(model.feature_importances_)  
3. # plot  
4. pyplot.bar(range(len(model.feature_importances_)), model.feature_importances_)  
5. pyplot.show()  
6. ==========  
7. # plot feature importance  
8. plot_importance(model)  
9. pyplot.show()  
# feature importance
print(model.feature_importances_)
# plot
pyplot.bar(range(len(model.feature_importances_)), model.feature_importances_)
pyplot.show()
==========
# plot feature importance
plot_importance(model)
pyplot.show()

6.什么是OOB？隨機(jī)森林中OOB是如何計(jì)算的，它有什么優(yōu)缺點(diǎn)？

bagging方法中Bootstrap每次約有1/3的樣本不會(huì)出現(xiàn)在Bootstrap所采集的樣本集合中，當(dāng)然也就沒有參加決策樹的建立，把這1/3的數(shù)據(jù)稱為袋外數(shù)據(jù)oob（out of bag）,它可以用于取代測(cè)試集誤差估計(jì)方法。袋外數(shù)據(jù)(oob)誤差的計(jì)算方法如下：對(duì)于已經(jīng)生成的隨機(jī)森林,用袋外數(shù)據(jù)測(cè)試其性能,假設(shè)袋外數(shù)據(jù)總數(shù)為O,用這O個(gè)袋外數(shù)據(jù)作為輸入,帶進(jìn)之前已經(jīng)生成的隨機(jī)森林分類器,分類器會(huì)給出O個(gè)數(shù)據(jù)相應(yīng)的分類,因?yàn)檫@O條數(shù)據(jù)的類型是已知的,則用正確的分類與隨機(jī)森林分類器的結(jié)果進(jìn)行比較,統(tǒng)計(jì)隨機(jī)森林分類器分類錯(cuò)誤的數(shù)目,設(shè)為X,則袋外數(shù)據(jù)誤差大小=X/O;這已經(jīng)經(jīng)過證明是無偏估計(jì)的,所以在隨機(jī)森林算法中不需要再進(jìn)行交叉驗(yàn)證或者單獨(dú)的測(cè)試集來獲取測(cè)試集誤差的無偏估計(jì)。

7.什么是機(jī)器學(xué)習(xí)？

機(jī)器學(xué)習(xí)是為了應(yīng)對(duì)系統(tǒng)程序設(shè)計(jì)，屬于計(jì)算機(jī)科學(xué)類的學(xué)科，它能根據(jù)經(jīng)驗(yàn)進(jìn)行自動(dòng)學(xué)習(xí)和提高。例如：一個(gè)由程序操縱的機(jī)器人，它能根據(jù)從傳感器搜集到的數(shù)據(jù)，完成一系列的任務(wù)和工作。它能根據(jù)數(shù)據(jù)自動(dòng)地學(xué)習(xí)應(yīng)用程序。

8.機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘的區(qū)別

機(jī)器語言是指在沒有明確的程序指令的情況下，給予計(jì)算機(jī)學(xué)習(xí)能力，使它能自主的學(xué)習(xí)、設(shè)計(jì)和擴(kuò)展相關(guān)算法。數(shù)據(jù)挖掘則是一種從非結(jié)構(gòu)化數(shù)據(jù)里面提取知識(shí)或者未知的、人們感興趣的圖片。在這個(gè)過程中應(yīng)用了機(jī)器學(xué)習(xí)算法。

9.什么是機(jī)器學(xué)習(xí)的過度擬合現(xiàn)象

在機(jī)器學(xué)習(xí)中，當(dāng)一個(gè)統(tǒng)計(jì)模型首先描述隨機(jī)誤差或噪聲，而不是自身的基本關(guān)系時(shí)，過度擬合就會(huì)出現(xiàn)。當(dāng)一個(gè)模型是過于復(fù)雜，過擬合通常容易被發(fā)現(xiàn)，因?yàn)橄鄬?duì)于訓(xùn)練數(shù)據(jù)類型的數(shù)量，參數(shù)的數(shù)量過于五花八門。那么這個(gè)模型由于過度擬合而效果不佳。

10.過度擬合產(chǎn)生的原因

由于用于訓(xùn)練模型的標(biāo)準(zhǔn)并不等同于判斷模型效率的標(biāo)準(zhǔn)，這導(dǎo)致了產(chǎn)生過度擬合的可能性。

11.如何避免過度擬合

當(dāng)你使用較小的數(shù)據(jù)集進(jìn)行機(jī)器學(xué)習(xí)時(shí)，容易產(chǎn)生過度擬合，因此使用較大的數(shù)據(jù)量能避免過度擬合現(xiàn)象。但是，當(dāng)你不得不使用小型數(shù)據(jù)集進(jìn)行建模時(shí)，可以使用被稱為交叉驗(yàn)證的技術(shù)。在這種方法中數(shù)據(jù)集被分成兩節(jié)，測(cè)試和訓(xùn)練數(shù)據(jù)集，測(cè)試數(shù)據(jù)集只測(cè)試模型，而在訓(xùn)練數(shù)據(jù)集中，數(shù)據(jù)點(diǎn)被用來建模。

在該技術(shù)中，一個(gè)模型通常是被給定有先驗(yàn)知識(shí)的數(shù)據(jù)集（訓(xùn)練數(shù)據(jù)集）進(jìn)行訓(xùn)練，沒有先驗(yàn)知識(shí)的數(shù)據(jù)集進(jìn)行測(cè)試。交叉驗(yàn)證的思想是：在訓(xùn)練階段，定義一個(gè)數(shù)據(jù)集用來測(cè)試模型。

12.什么是感應(yīng)式的機(jī)器學(xué)習(xí)？

感應(yīng)機(jī)器學(xué)習(xí)涉及由實(shí)踐進(jìn)行學(xué)習(xí)的過程，能從一組可觀測(cè)到的例子的嘗試推導(dǎo)出普遍性規(guī)則。

13.什么是機(jī)器學(xué)習(xí)的五個(gè)流行的算法？

a. 決策樹

b. 神經(jīng)網(wǎng)絡(luò)（反向傳播）

c. 概率網(wǎng)絡(luò)

d.最鄰近法

e. 支持向量機(jī)

14.機(jī)器學(xué)習(xí)有哪些不同的算法技術(shù)？

在機(jī)器學(xué)習(xí)不同類型的算法技術(shù)是：

• 監(jiān)督學(xué)習(xí)

• 非監(jiān)督學(xué)習(xí)

• 半監(jiān)督學(xué)習(xí)

• 轉(zhuǎn)導(dǎo)推理（Transduction）

• 學(xué)習(xí)推理（Learning to Learn）。

15.在機(jī)器學(xué)習(xí)中，建立假設(shè)或者模型的三個(gè)階段指的是什么？

a.建模

b.模型測(cè)試

c.模型應(yīng)用。

16.什么是訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集？

在類似于機(jī)器學(xué)習(xí)的各個(gè)信息科學(xué)相關(guān)領(lǐng)域中，一組數(shù)據(jù)被用來發(fā)現(xiàn)潛在的預(yù)測(cè)關(guān)系，稱為“訓(xùn)練數(shù)據(jù)集”。訓(xùn)練數(shù)據(jù)集是提供給學(xué)習(xí)者的案例，而試驗(yàn)數(shù)據(jù)集是用于測(cè)試由學(xué)習(xí)者提出的假設(shè)關(guān)系的準(zhǔn)確度。

17.請(qǐng)列出機(jī)器學(xué)習(xí)的各種方法？

機(jī)器學(xué)習(xí)的各種方法如下：

• 概念與分類學(xué)習(xí)（Concept Vs Classification Learning）。

• 符號(hào)與統(tǒng)計(jì)學(xué)習(xí)（Symbolic Vs Statistical Learning）。

• 歸納與分析學(xué)習(xí)（Inductive Vs Analytical Learning）。

18.什么是非監(jiān)督學(xué)習(xí)的功能？

• 求數(shù)據(jù)的集群

• 求出數(shù)據(jù)的低維表達(dá)

• 查找數(shù)據(jù)有趣的方向

• 有趣的坐標(biāo)和相關(guān)性

• 發(fā)現(xiàn)顯著的觀測(cè)值和數(shù)據(jù)集清理

19.什么是監(jiān)督學(xué)習(xí)的功能？

• 分類

• 語音識(shí)別

• 回歸

• 時(shí)間序列預(yù)測(cè)

• 注釋字符串

20.什么是算法獨(dú)立的機(jī)器學(xué)習(xí)？

機(jī)器學(xué)習(xí)在基礎(chǔ)數(shù)學(xué)領(lǐng)域獨(dú)立于任何特定分類器或者學(xué)習(xí)算法，被稱為算法獨(dú)立的機(jī)器學(xué)習(xí)。

更多的機(jī)器學(xué)習(xí)相關(guān)教程也會(huì)繼續(xù)更新！有相關(guān)學(xué)習(xí)需求的同學(xué)可以繼續(xù)關(guān)注，希望這些總結(jié)對(duì)大家有幫助！有不同見解的伙伴，可以留言！

到此，關(guān)于“機(jī)器學(xué)習(xí)常見面試題有哪些”的學(xué)習(xí)就結(jié)束了，希望能夠解決大家的疑惑。理論與實(shí)踐的搭配能更好的幫助大家學(xué)習(xí)，快去試試吧！若想繼續(xù)學(xué)習(xí)更多相關(guān)知識(shí)，請(qǐng)繼續(xù)關(guān)注創(chuàng)新互聯(lián)-成都網(wǎng)站建設(shè)公司網(wǎng)站，小編會(huì)繼續(xù)努力為大家?guī)砀鄬?shí)用的文章！

分享文章：機(jī)器學(xué)習(xí)常見面試題有哪些-創(chuàng)新互聯(lián)
網(wǎng)站路徑：http://aaarwkj.com/article0/dgdeoo.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供App開發(fā)、做網(wǎng)站、全網(wǎng)營(yíng)銷推廣、網(wǎng)站維護(hù)、外貿(mào)建站、小程序開發(fā)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)