一、简介在机器学习中，评价方法和评价指标用于衡量模型在给定数据上的性能和预测能力。不同的任务和问题可能会选择不同的评价方法和评价指标。如准确率、召回率、均方误差、AUC等。二、面经1、请问模型常用的评估方法有哪些？2、请问常用的评价指标有哪些？3、你知道准确率（Accuracy）、精确率（Precision）、召回率（Recall）是怎么算的吗？4、讲讲F1-score是怎么算的？5、针对上面提到的一些指标，当训练集中类别不均衡，哪个最不准确？6、ROC、AUC、PR曲线是什么关系？7、AUC为什么比其他指标好？8、AUC高是否一定说明auc高的模型排序能力更强？AUC对均匀正负样本采样不敏感...

一、简介在机器学习中，有几个重要的现象和技术对于模型的训练和泛化能力起着至关重要的作用。过拟合(Overfitting)是指在训练数据上表现良好，但在未见过的测试数据上表现较差的现象。过拟合发生时，模型在训练集上学习到了数据的噪声和细节，而未能捕获数据的通用规律。过拟合通常发生在模型复杂度过高、训练数据过少或者特征过于丰富的情况下。解决过拟合的常用方法是增加训练数据、减少模型复杂度，或者使用正则化技术。欠拟合（Underfitting）是指模型在训练数据上无法很好地拟合，导致训练和测试误差都较大的现象。欠拟合通常发生在模型复杂度不足或者训练数据质量较差的情况下。解决欠拟合的常用方法包括增加模型...

一、简介在机器学习和深度学习中，激活函数、损失函数和优化函数是三个重要的概念，也是在面试中很容易考察你在项目中这些函数选择的时候常问的一些问题。它们在神经网络和其他学习算法中发挥关键作用。激活函数（Activation Function）是神经网络中的一个非常重要的组件，它定义了神经元（或者称为节点）的输出。每个神经元都会将其输入加权求和后通过激活函数进行非线性转换，使得神经网络能够学习复杂的非线性关系，激活函数引入非线性是因为多个线性层的组合仍然是线性的，而引入非线性激活函数使得神经网络可以学习更加复杂的函数。常见的激活函数包括 Sigmoid、ReLU（Rectified Linear U...

一、简介当涉及到聚类和分类问题时，K-Means（k均值）和KNN（K最近邻）是两种常用的机器学习算法。K-Means的目标是最小化所有数据样本到其所属簇中心的平方距离之和，即簇内误差平方和（SSE）。该算法适用于密集型数据和簇结构明显的情况，但对于不同大小、不同密度的簇效果可能不佳。KNN通常适用于小规模的数据集，而且对于特征空间的维度较高时效果可能较差。此外，KNN是一种"懒惰学习"算法，它在预测时需要存储全部的训练数据，并且计算复杂度较高。二、面经1、请简单介绍一下Kmeans的思想，它的优缺点分别是什么？2、Kmeans时间、空间复杂度分别为多少？3、Kmeans聚...

一、简介当涉及到降维和特征提取时，PCA、LDA和SVD是三种常用的线性代数和机器学习算法。它们在不同的应用场景下有着各自的优势和用途，也是面试中常问的一些基础知识。一句话总结：PCA是一种无监督降维算法，通过保留数据的主要信息来减少特征维度。LDA是一种有监督降维算法，着重于最大化类别之间的可分性。SVD是一种数学分解技术，常用于矩阵分解和数据压缩。二、面经1、请介绍一下PCA？2、PCA的主要步骤是什么？3、PCA的优缺点是什么？4、请推导一下PCA？5、请推导一下SVD，SVD是如何做矩阵分解的？6、SVD和PCA的关系是怎么样的？7、请介绍一下LDA以及LDA的一般步骤？8、LDA的优...

一、简介XGBoost（Extreme Gradient Boosting）和LightGBM（Light Gradient Boosting Machine）都是梯度提升树（Gradient Boosting Trees）的变种，用于解决各种机器学习问题，如分类、回归和排名。它们都基于集成学习的思想，通过组合多个弱学习器（通常是决策树）来构建一个强大的预测模型。作为机器学习经典的算法，常用来解决各种分类、CTR预估等问题，在各大公司的业务场景也有着广泛的使用。二、面经1、XGBOOST的思想是什么？2、XGBOOST如何寻找最优特征，是有放回还是无放回？3、XGBOOST中使用了并行化计算，...

一、简介支持向量机（Support Vector Machine，SVM）是一种在机器学习中常用的监督学习算法，主要用于分类和回归任务。SVM 的基本思想是通过在特征空间中找到一个最优的超平面来实现数据的分类。这个最优超平面的选择是通过最大化数据点与超平面之间的间隔来完成的，这个间隔被称为“边界”或“支持向量”。二、面经1、请简单介绍一下什么是svm，一般用于解决什么问题？2、请介绍一下什么是SVM的硬间隔和软间隔？3、SVM硬间隔的目标函数是什么，请结合公式解释？4、SVM为什么采用间隔最大化，它与我们熟知的感知机有什么区别？5、SVM中对偶的目的？6、请介绍SMO算法的思想？7、SVM中核...

一、简介LR（Logistic Regression，逻辑回归）虽然名字中带有"回归"，但实际上是一种用于分类问题的统计学习方法，而不是传统的回归问题。它是一种广泛应用于机器学习和统计分析的算法，特别适用于二分类问题，也可以扩展到多分类问题。LR的基本思想是，通过一个线性函数的组合，将特征和类别之间的关系建模为一个概率。然后，通过一个逻辑函数（通常是sigmoid函数）将这个概率转化为一个落在0到1之间的数，表示某样本属于某一类别的概率。在训练过程中，LR会调整模型参数，使得模型预测的概率与实际类别标签尽可能一致。二、面经1、写一下LR的公式，它的损失函数是什么，推导一下？...

字符串，条件语句，循环语句