机器学习简答题

1、请简述人工智能和机器学习,深度学习的关系?

机器学习是人工智能的一个实现途径。深度学习是机器学习的一个方法发展而来

2、根据数据集组成不同,通常可以把机器学习算法分为哪四类?

监督学习、无监督学习、半监督学习、强化学习

3、请简述什么是监督学习?什么是无监督学习?

有监督学习是指训练数据中包含了输入和输出的标签信息,目标是通过已知输入和输出来预测新数据的标签。

无监督学习是指训练数据中只有输入特征,没有输出标签,目标是根据数据的内在结构、分布或相似性进行聚类、降维等操作。

具体例子:

假设我们有一组包含房屋面积和销售价格的数据。如果我们要根据已有数据预测新房屋的销售价格,这就是一个有监督学习的问题。而如果我们只有房屋面积的数据,但没有任何关于价格的信息,我们可以使用聚类算法将相似大小的房屋分组,这是一个无监督学习的问题。

4、请简述什么是机器学习?

机器学习是从数据中自动分析获得模型,并利用模型对未知数据进行预测。

5、机器学习工作流程有哪五步?

1.获取数据
2.数据基本处理
3.特征工程
4.机器学习(模型训练)
5.模型评估
结果达到要求就上线服务,如果没有达到要求,重新上面步骤

6、什么是线性回归?它的特点是什么?

线性回归利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式

特点:只有一个自变量的情况称为单变量回归,多于一个自变量情况的叫做多元回归。

7、常见的梯度下降算法有哪些?

全梯度下降算法,随机梯度下降算法,小批量梯度下降算法,随机平均梯度下降算法。

8 、请简要解释什么是过拟合,并提出至少三种防止过拟合的方法。

答:过拟合是指在训练数据上表现很好,但在新数据上表现较差的现象。

防止过拟合的方法包括:

- 数据集扩充:增加更多的训练样本,从而减少模型对特定数据的过度拟合。

- 正则化:通过在损失函数中引入正则化项,约束模型的复杂度,防止模型过分拟合训练数据。

- 交叉验证:使用交叉验证方法对模型进行评估,通过评估模型在不同数据集上的性能,选择性能较好的模型。

- 特征选择:选择最相关的特征,去除冗余或无关的特征,以减少模型的复杂度。

9、欠拟合和过拟合的原因分别有哪些?如何避免?

分析:

欠拟合的原因:模型复杂度过低,不能很好的拟合所有的数据,训练误差大;

避免欠拟合:增加模型复杂度,如采用高阶模型(预测)或者引入更多特征(分类)等。

过拟合的原因:模型复杂度过高,训练数据过少,训练误差小,测试误差大;

避免过拟合:降低模型复杂度,如加上正则惩罚项,如L1,L2,增加训练数据等。

10、简述一下K-means算法的优点和缺点。

优点
1)原理简单(靠近中心点),实现容易。
2)聚类效果中上(依赖K的选择)。
3)空间复杂度o(N),时间复杂度o(IKN) 。N为样本点个数,K为中心点个数,I为迭代次数。

缺点
1)对离群点,噪声敏感 (中心点易偏移)。
2)很难发现大小差别很大的簇及进行增量计算。
3)结果不一定是全局最优,只能保证局部最优(与K的个数及初值选取有关)。
 

你可能感兴趣的:(机器学习,人工智能)