到這我們已經(jīng)分享第三期Python機器學習方向的面試題了，是不是感覺前兩期的面試題非常有用呢？最后一期20道題送給大家。

      1.人工智能與機器學習的區(qū)別？

      基于經(jīng)驗數(shù)據(jù)的特性而設計和開發(fā)的算法被稱為機器學習。而人工智能不但包括機器學習，還包括諸如知識表示，自然語言處理，規(guī)劃，機器人技術等其它方法。

      2.在機器學習中分類器指的是什么？

      在機器學習中，分類器是指輸入離散或連續(xù)特征值的向量，并輸出單個離散值或者類型的系統(tǒng)。

      3.樸素貝葉斯方法的優(yōu)勢是什么？

      樸素貝葉斯分類器將會比判別模型，譬如邏輯回歸收斂得更快，因此你只需要更少的訓練數(shù)據(jù)。其主要缺點是它學習不了特征間的交互關系。

      4.在哪些領域使用模式識別技術？

      模式識別被應用在：計算機視覺、語言識別、統(tǒng)計、數(shù)據(jù)挖掘、非正式檢索、生物信息學。

      5.什么是遺傳編程？

      遺傳編程的機器學習中兩種常用的方法之一。該模型是基于測試，并在一系列的結果當中，獲取最佳選擇。

      6.在機器學習中歸納邏輯程序設計是指什么？

      歸納邏輯程序設計（ILP）是利用邏輯程序設計表達的背景知識和實例，它是機器學習的一個分支。

      7.在機器學習中，模型的選擇是指？

      在不同的數(shù)學模型中，選擇用于描述相同的數(shù)據(jù)集的模型的過程被稱為模型選擇。模型選擇吧被應用于統(tǒng)計，機器學習和數(shù)據(jù)挖掘的等相關領域。

      8.什么是支持向量機？

      支持向量機是一種監(jiān)督學習算法，適用于分類和回歸分析。

      9.關系評價技術的組成部分是什么？

      關系評價技術的重要組成部分如下：數(shù)據(jù)采集、地面實況采集、交叉驗證技術、查詢類型、評分標準、顯著性檢驗。

      10.你會在時間序列數(shù)據(jù)集上使用什么交叉驗證技術？是用k倍或LOOCV？

      都不是。對于時間序列問題，k倍可能會很麻煩，因為第4年或第5年的一些模式有可能跟第3年的不同，而對數(shù)據(jù)集的重復采樣會將分離這些趨勢，而我們最終可能只是需要對過去幾年的進行驗證，這就不能用這種方法了。相反，我們可以采用如下所示的5倍正向鏈接策略：

      11.給你一個有1000列和1百萬行的訓練數(shù)據(jù)集，這個數(shù)據(jù)集是基于分類問題的。經(jīng)理要求你來降低該數(shù)據(jù)集的維度以減少模型計算時間，但你的機器內(nèi)存有限。你會怎么做？（你可以自由做各種實際操作假設。）

      你的面試官應該非常了解很難在有限的內(nèi)存上處理高維的數(shù)據(jù)。以下是你可以使用的處理方法：

      1.由于我們的RAM很小，首先要關閉機器上正在運行的其他程序，包括網(wǎng)頁瀏覽器等，以確保大部分內(nèi)存可以使用。

      2.我們可以隨機采樣數(shù)據(jù)集。這意味著，我們可以創(chuàng)建一個較小的數(shù)據(jù)集，比如有1000個變量和30萬行，然后做計算。

      3.為了降低維度，我們可以把數(shù)值變量和分類變量分開，同時刪掉相關聯(lián)的變量。對于數(shù)值變量，我們將使用相關性分析；對于分類變量，我們可以用卡方檢驗。

      4.另外，我們還可以使用PCA（主成分分析），并挑選可以解釋在數(shù)據(jù)集中有最大偏差的成分。

      5.利用在線學習算法，如VowpalWabbit（在Python中可用）是一個不錯的選擇。

      6.利用Stochastic GradientDescent（隨機梯度下降法）建立線性模型也很有幫助。

      7.我們也可以用我們對業(yè)務的理解來估計各預測變量對響應變量的影響的大小。但是，這是一個主觀的方法，如果沒有找出有用的預測變量可能會導致信息的顯著丟失。

      12.全球平均溫度的上升導致世界各地的海盜數(shù)量減少。這是否意味著海盜的數(shù)量減少引起氣候變化？

      不能夠這樣說。這是一個“因果關系和相關性”的經(jīng)典案例。全球平均溫度和海盜數(shù)量之間有可能有相關性，但基于這些信息，我們不能說因為全球平均氣溫的上升而導致了海盜的消失。我們不能斷定海盜的數(shù)量減少是引起氣候變化的原因，因為可能有其他因素（潛伏或混雜因素）影響了這一現(xiàn)象。

      13.給你一個數(shù)據(jù)集，這個數(shù)據(jù)集有缺失值，且這些缺失值分布在離中值有1個標準偏差的范圍內(nèi)。百分之多少的數(shù)據(jù)不會受到影響？為什么？

      約有32%的數(shù)據(jù)將不受缺失值的影響。因為，由于數(shù)據(jù)分布在中位數(shù)附近，讓我們先假設這是一個正態(tài)分布。我們知道，在一個正態(tài)分布中，約有68%的數(shù)據(jù)位于跟平均數(shù)（或眾數(shù)、中位數(shù)）1個標準差范圍內(nèi)，那么剩下的約32%的數(shù)據(jù)是不受影響的。因此，約有32%的數(shù)據(jù)將不受缺失值的影響。

      14.你意識到你的模型受到低偏差和高方差問題的困擾。那么，應該使用哪種算法來解決問題呢？為什么？

      可以使用bagging算法（如隨機森林）。因為，低偏差意味著模型的預測值接近實際值，換句話說，該模型有足夠的靈活性，以模仿訓練數(shù)據(jù)的分布。這樣貌似很好，但是別忘了，一個靈活的模型沒有泛化能力，意味著當這個模型用在對一個未曾見過的數(shù)據(jù)集進行測試的時候，它會令人很失望。在這種情況下，我們可以使用bagging算法（如隨機森林），以解決高方差問題。bagging算法把數(shù)據(jù)集分成重復隨機取樣形成的子集。然后，這些樣本利用單個學習算法生成一組模型。接著，利用投票（分類）或平均（回歸）把模型預測結合在一起。另外，為了應對大方差，我們可以：

      1.使用正則化技術，懲罰更高的模型系數(shù)，從而降低了模型的復雜性。

      2.使用可變重要性圖表中的前n個特征?？梢杂糜诋斠粋€算法在數(shù)據(jù)集中的所有變量里很難尋找到有意義信號的時候。

      15.Gradient boosting算法（GBM）和隨機森林都是基于樹的算法，它們有什么區(qū)別？

      最根本的區(qū)別是，隨機森林算法使用bagging技術做出預測；而GBM是采用boosting技術做預測的。在bagging技術中，數(shù)據(jù)集用隨機采樣的方法被劃分成n個樣本。然后，使用單一的學習算法，在所有樣本上建模。接著利用投票或者求平均來組合所得到的預測。bagging是平行進行的，而boosting是在第一輪的預測之后，算法將分類出錯的預測加高權重，使得它們可以在后續(xù)一輪中得到校正。這種給予分類出錯的預測高權重的順序過程持續(xù)進行，一直到達到停止標準為止。隨機森林通過減少方差（主要方式）提高模型的精度。生成樹之間是不相關的，以把方差的減少最大化。在另一方面，GBM提高了精度，同時減少了模型的偏差和方差。

      16.“買了這個的客戶，也買了......”亞馬遜的建議是哪種算法的結果？

      這種推薦引擎的基本想法來自于協(xié)同過濾。協(xié)同過濾算法考慮用于推薦項目的“用戶行為”。它們利用的是其他用戶的購買行為和針對商品的交易歷史記錄、評分、選擇和購買信息。針對商品的其他用戶的行為和偏好用來推薦項目（商品）給新用戶。在這種情況下，項目（商品）的特征是未知的。

      17.在k-means或kNN，我們是用歐氏距離來計算最近的鄰居之間的距離。為什么不用曼哈頓距離？

      我們不用曼哈頓距離，因為它只計算水平或垂直距離，有維度的限制。另一方面，歐氏距離可用于任何空間的距離計算問題。因為，數(shù)據(jù)點可以存在于任何空間，歐氏距離是更可行的選擇。例如：想象一下國際象棋棋盤，象或車所做的移動是由曼哈頓距離計算的，因為它們是在各自的水平和垂直方向做的運動。

      18.我知道校正R2或者F值是用來評估線性回歸模型的。那用什么來評估邏輯回歸模型？

      我們可以使用下面的方法：

      1.由于邏輯回歸是用來預測概率的，我們可以用AUC-ROC曲線以及混淆矩陣來確定其性能。

      2.此外，在邏輯回歸中類似于校正R2的指標是AIC。AIC是對模型系數(shù)數(shù)量懲罰模型的擬合度量。因此，我們更偏愛有最小AIC的模型。

      3.空偏差指的是只有截距項的模型預測的響應。數(shù)值越低，模型越好。殘余偏差表示由添加自變量的模型預測的響應。數(shù)值越低，模型越好。

      19.為什么樸素貝葉斯如此“樸素”？

      因為它假定所有的特征在數(shù)據(jù)集中的作用是同樣重要和獨立的。正如我們所知，這個假設在現(xiàn)實世界中是很不真實的，因此，說樸素貝葉斯真的很“樸素”。

      20.花了幾個小時后，現(xiàn)在你急于建一個高精度的模型。結果，你建了5 個GBM（Gradient Boosted Models），想著boosting算法會展現(xiàn)“魔力”。不幸的是，沒有一個模型比基準模型表現(xiàn)得更好。最后，你決定將這些模型結合到一起。盡管眾所周知，結合模型通常精度高，但你就很不幸運。你到底錯在哪里？

      據(jù)我們所知，組合的學習模型是基于合并弱的學習模型來創(chuàng)造一個強大的學習模型的想法。但是，只有當各模型之間沒有相關性的時候組合起來后才比較強大。由于我們已經(jīng)試了5個GBM也沒有提高精度，表明這些模型是相關的。具有相關性的模型的問題是，所有的模型提供相同的信息。例如：如果模型1把User1122歸類為1，模型2和模型3很有可能會做同樣的分類。

      以上就是這一期的20道機器學習面試題了，同學們?nèi)绻麑ython開發(fā)培訓感興趣的話不妨來跟我們的在線老師了解一下，還能免費領取學習資料，還等什么？