GBDT和xgboost面试

1. 比赛怎么做的（先说解决的问题，属于回归还是二分类问题，KS曲线是什么含义，能优化吗（用AUC代替））

• KS值：用真正率和假正率的累计值分别做为纵坐标就得到两个曲线，这就是K-S曲线。

2. GBDT与XGBoost的区别（知乎wepon大神：https://www.zhihu.com/question/41354392）

• 传统GBDT以CART作为基分类器，xgboost还支持线性分类器，这个时候xgboost相当于带L1和L2正则化项的逻辑斯蒂回归（分类问题）或者线性回归（回归问题）。
• 传统GBDT在优化时只用到一阶导数信息，xgboost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数。顺便提一下，xgboost工具支持自定义代价函数，只要函数可一阶和二阶求导。
• xgboost在代价函数里加入了正则项，用于控制模型的复杂度。正则项里包含了树的叶子节点个数、每个叶子节点上输出的score的L2模的平方和。从Bias-variance tradeoff角度来讲，正则项降低了模型的variance，使学习出来的模型更加简单，防止过拟合，这也是xgboost优于传统GBDT的一个特性。
• Shrinkage（缩减），相当于学习速率（xgboost中的eta）。xgboost在进行完一次迭代后，会将叶子节点的权重乘上该系数，主要是为了削弱每棵树的影响，让后面有更大的学习空间。实际应用中，一般把eta设置得小一点，然后迭代次数设置得大一点。（补充：传统GBDT的实现也有学习速率）
• 列抽样（column subsampling）。xgboost借鉴了随机森林的做法，支持列抽样，不仅能降低过拟合，还能减少计算，这也是xgboost异于传统gbdt的一个特性。
• 对缺失值的处理。对于特征的值有缺失的样本，xgboost可以自动学习出它的分裂方向。
• xgboost工具支持并行。boosting不是一种串行的结构吗?怎么并行的？注意xgboost的并行不是tree粒度的并行，xgboost也是一次迭代完才能进行下一次迭代的（第t次迭代的代价函数里包含了前面t-1次迭代的预测值）。xgboost的并行是在特征粒度上的。我们知道，决策树的学习最耗时的一个步骤就是对特征的值进行排序（因为要确定最佳分割点），xgboost在训练之前，预先对数据进行了排序，然后保存为block结构，后面的迭代中重复地使用这个结构，大大减小计算量。这个block结构也使得并行成为了可能，在进行节点的分裂时，需要计算每个特征的增益，最终选增益最大的那个特征去做分裂，那么各个特征的增益计算就可以开多线程进行。
• 可并行的近似直方图算法。树节点在进行分裂时，我们需要计算每个特征的每个分割点对应的增益，即用贪心法枚举所有可能的分割点。当数据无法一次载入内存或者在分布式情况下，贪心算法效率就会变得很低，所以xgboost还提出了一种可并行的近似直方图算法，用于高效地生成候选的分割点。

3. LightGBM相对XGBoost的改进（近似直方图的并行计算？？不懂，建树的区别: leaf wise VS level wise？https://zhuanlan.zhihu.com/p/25308051 ，http://msra.cn/zh-cn/news/blogs/2017/01/lightgbm-20170105.aspx）

4. 模型常见抗过拟合方案（交叉验证CV 正则化（L1,L2））

5. L1正则化是怎样解决不可导的问题优化的（近梯度下降法（或者叫：坐标轴下降法？？）&& 最小角回归）

6. 常见优化算法：凸优化家族：（梯度下降法（BGD，SGD），牛顿法家族（变形：BFGS，DFP等），拉格朗日对偶，其他?：启发式优化算法、蚁群、遗传、模拟退火、禁忌搜索、贪心算法...

7. CART树如何建树（内部节点离散特征取值是否，连续值切割相邻两点，小于或者大于阈值（ai+ai+1)/2，递归二分每个特征？？）用到的准则（回归：平方误差最小化；分类：基尼指数）

8. 常见损失函数（线性回归：平方损失、0-1损失、LR：对数损失，提升树（此处指adaboost）：指数损失，SVM：合页损失函数...）

9. XGBoost如何解决缺失值问题？（能通过自动学习找到缺失值分裂方向）

10. XGBoost中的树剪枝（CART的剪枝原理：预剪枝和后剪枝策略？有点混乱）

11. 不平衡数据如何解决(上采样、下采样或者自定义代价函数，xgboost中scale_pos_weight参数)

12. Linux，Shell会吗？（不会）
13. 0/1label占比
14. sql ，where / having的区别：
15. 逻辑回归、xgboost 关于0/1占比非常不均衡如何调参
16. feature_importance的原理

17. 口头编程：旋转数组的最小数字（剑指offer原题，思路）
18. 蚂蚁金服面试问题：0/1label占比； sql where / having的区别；逻辑回归、xgboost 关于0/1占比非常不均衡如何调参feature_importance的原理；KS的定义是什么，模型效果怎么看