面试官问题整理（待续）

1.k-means的优缺点，其他分类方法

缺点：
(1)对于离群点和孤立点敏感； 离群点检测的LOF算法，通过去除离群点后再聚类，可以减少离群点和孤立点对于聚类效果的影响。
(2)k值选择;
(3)初始聚类中心的选择；
(4)只能发现球状簇。

2.怎么样检查异常点？

马氏距离更适合来判断样本点与数据集的位置关系，判断其是否离群。正态概率图、箱形图、散点图都比较直观，容易判断出错，还有3detla原则（基于小概率事件不可能发生）。
箱型图提供了一个识别异常值的标准，即大于或小于箱型图设定的上下界的数值即为异常值。

3.当数据量很大的时候，怎么样检索新的数据在不在？

哈希表=散列表=字典

4.动态规划和贪心算法的区别

能采用动态规划求解的问题的一般要具有3个性质：
最优化子结构：如果问题的最优解所包含的子问题的解也是最优的。
无后效性：某状态以后的过程只与当前状态有关，贪心算法也是。
重叠子问题：重叠子问题指的是子问题可能被多次用到，多次计算，动态规划就是为了消除其重叠子问题而设计的。贪心算法是贪心策略，子问题只选择当前的。
在动态规划算法中，每步所作的选择往往依赖于相关子问题的解。因而只有在解出相关子问题后，才能作出选择。而在贪心算法中，仅在当前状态下作出最好选择，即局部最优选择，然后再去解作出这个选择后产生的相应的子问题。

按照贪心算法的思路：v1到v2：1到2最短，所以选择2，总长s为2。v2到v3：2到5最短，所以选择5，总长为2+6=8。v3到v4：5到10最短，所以选择10，总长为8+6=14。v4到v5：10到11，总长为14+10=24。所以最短路径为1,2,5,10,11
按照动态规划的思路：
v1到v2: 2，v1到v3：4 ，v1到v3: 5先记录下来，不做选择
v2到v5/v6: 6/7, v3到v5/v6: 2/1, v4到v6/v7: 2/5, 与第一层的连接，最短路径为1到3到6：5
同理，再与第三场联接与上一次的最优结果再做出选择：1到3到6到8：8
最终最短路径是：1，3，6，8，11

5.样本不平衡怎么处理?

1.产生新数据型：过采样小样本(SMOTE)，欠采样大样本。
2.通过组合集成方法解决：是指将多数类数据随机分成少数类数据的量N份，每一份与全部的少数类数据一起训练成为一个分类器，这样反复训练会生成很多的分类器。最后再用组合的方式(bagging或者boosting)对分类器进行组合，得到更好的预测效果。
3.更改权值：为少数类样本赋予更大的权值，为多数类样本赋予较小的权值。