DD机器学习岗面试总结

（1）自我介绍

（2）分类和回归的区别？

1.从预测的角度分析，回归模型输出是连续性、线性输出，可以用一条直线较好的拟合，分类的输出是离散化的。分类模型是将回归模型的输出离散化。

2.从训练的角度来看，分类模型和回归模型的目标函数不同，分类常见的是log loss,hinge loss,而回归是square loss。

首先解释一下回归问题，分类问题的不同点。回归问题预测的结果是连续的值，而分类问题的预测结果是离散的。拿支持向量机举个例子，分类问题和回归问题都要根据训练样本找到一个实值函数g(x). 回归问题的要求是：给定一个新的模式，根据训练集推断它所对应的输出y（实数）是多少。也就是使用y=g(x)来推断任一输入x所对应的输出值。分类问题是：给定一个新的模式，根据训练集推断它所对应的类别（如：+1，-1）。也就是使用y=sign(g(x))来推断任一输入x所对应的类别。综上，回归问题和分类问题的本质一样，不同仅在于他们的输出的取值范围不同。分类问题中，输出只允许取两个值；而在回归问题中，输出可取任意实数。

注意：分类模型和回归模型的本质是一样的，分类本质上是一个线性模型，因为除去sign()、sigmoid()映射函数关系，其他步骤、算法都是线性回归的。可以说，分类都是以线性回归为理论支撑的。回归模型，无法做到sigmoid()的非线性形式，sigmoid(）可以轻松处理0/1分类问题。分类问题其实仅在回归的基础上，套用了一个逻辑函数，但也就是由于这个逻辑函数，逻辑回归成为机器学习领域一颗耀眼的明星，更是计算广告学的核心。

Refercnce:

http://blog.csdn.net/wspba/article/details/61927105

http://blog.csdn.net/omenglishuixiang1234/article/details/50247143

（3）模型训练的方法有哪些么？

最小二乘法、最大似然估计

（3）你最熟悉的分类算法有？

逻辑回归、支持向量机、神经网络、决策树、AdaBoost

（4）那你简单说一下AdaBoost算法?

（5）在AdaBoost算法中，你提到了集成学习，那你能简单说一下集成学习么？

（6）集成学习中，你提到了随机森林，那你能简单介绍一下随机森林么？

（7）如何解决过拟合现象？先解释一下过拟合吧！如何解决？

（7）决策树是怎么进行预测的？

我的回答剪枝。

能说的更具体一些么？

你了解决策树的ID3、C4.5、CART算法么？

（8）你一直在说支持向量机，那你能说一下核函数的作用吗？

（9）你了解的聚类算法有哪些？

k-means算法

（10）还有其他的聚类算法么？

比如说：层次聚类、密度聚类、神经网络聚类、统计学聚类等

（11）详细介绍一下k-means算法的原理？

答案在我写的另一篇文章中：http://blog.csdn.net/program_developer/article/details/79509355

（12）k-means是如何调整中心的？

答案在我写的另一篇文章中：http://blog.csdn.net/program_developer/article/details/79509355

（13）噪点对k-means的影响大么？

答案在我写的另一篇文章中：http://blog.csdn.net/program_developer/article/details/79509355

（14）简答说一下神经网络

大概就这些，想起来在补吧！

先把问题记录一下，一道一道慢慢解决吧！