面试总结（360）

搜索广告岗位 一面挂

1. 聊项目
2. msn新闻的数据怎么体现商业价值？
3. 问Trainer细节
4. LR模型怎么防止过拟合？
   a. 做特征选择；b.加入正则项，在特征维数很多的时候效果更明显； c. 增大样本数量; d. 交叉验证；e. 特征离散化; f.去除异常值，LR对异常值敏感。
5. 一个高维特征怎么挑选出最有效的Top K特征。
   a. 贪心方法，每次去掉一维特征后比较效果； b. 随机挑选含有k个元素的子集，在模型上验证效果，选择效果最好的一组； c.计算每一个特征的信息增益，信息增益越大，这个特征月重要； d. 通过树模型做特征选择。e. 过滤式方法Relief计算一个“相关统计量”来度量特征的重要性，卡一个阈值，把对于阈值的特征过滤掉。
6. 对于AUC的物理含义是怎么理解的？（参考：https://blog.csdn.net/mimi9919/article/details/80691277）
   auc的直观含义是任意取一个正样本和负样本，正样本得分大于负样本的概率；或者理解成样本预测后按得分排列，正样本排在负样本前面的概率。
   现在假设有一个训练好的二分类器对10个正负样本（正例5个，负例5个）预测，得分按高到低排序得到的最好预测结果为[1, 1, 1, 1, 1, 0, 0, 0, 0, 0]，即5个正例均排在5个负例前面，正例排在负例前面的概率为100%。然后绘制其ROC曲线，由于是10个样本，除开原点我们需要描10个点，如下：
   
   描点方式按照样本预测结果的得分高低从左至右开始遍历。**从原点开始，每遇到1便向y轴正方向移动y轴最小步长1个单位，这里是1/5=0.2；每遇到0则向x轴正方向移动x轴最小步长1个单位，这里也是0.2。**不难看出，上图的AUC等于1，印证了正例排在负例前面的概率的确为100%。
   我们不妨再举个栗子，预测结果序列为[1, 1, 1, 1, 0, 1, 0, 0, 0, 0]。
   
   计算上图的AUC为0.96与计算正例与排在负例前面的概率0.8 × 1 + 0.2 × 0.8 = 0.96相等，而左上角阴影部分的面积则是负例排在正例前面的概率0.2 × 0.2 = 0.04。
7. C++的map底层实现？红黑树和普通平衡二叉树的区别？
   （https://github.com/julycoding/The-Art-Of-Programming-By-July/blob/master/ebook/zh/03.01.md）
8. 堆内存和栈内存的区别
   （https://blog.csdn.net/xzsfg6825/article/details/80887015）
9. C++智能指针的作用？实现原理？
   （https://www.cnblogs.com/wxquare/p/4759020.html）
10. （写题）在一个排序数组中找到target数字第一次出现的索引