易百教程

机器学习面试题和答案(2022年收集更新)

2022年收集更新的机器学习面试题和答案,下面给出了常见的机器学习面试问题和答案。
机器学习是人工智能的一种形式,它处理系统编程和自动化数据分析,使计算机能够通过经验学习和行动,而无需明确编程。例如,机器人的编码方式使其可以根据从传感器收集的数据执行任务。他们会自动从数据中学习程序并根据经验进行改进。 完整答案
在归纳学习中,模型从一组观察到的实例中通过实例进行学习,以得出一个概括的结论。另一方面,在演绎学习中,模型首先应用结论,然后得出结论。 归纳学习是使用观察得出结论的方法。演绎学习是使用结论形成观察的方法。 例如,如果我们必须向孩子解释玩火会导致烧伤。我们可以通过两种方式向孩子解释这一点;我们可以展示各种火灾事故的训练示例或被烧伤的人的图像,并将其标记为“危险”。在这种情况下,孩子会在例子的帮助下理解而不是玩火。它是归纳机器学习的形式。教同样事情的另一种方法是让孩子玩火,然后等着看会发生什么。如... 完整答案
数据挖掘可以描述为结构化数据试图抽象知识或有趣的未知模式的过程。在此过程中,使用机器学习算法。机器学习代表了算法的研究、设计和开发,这些算法为处理器提供了无需明确编程的学习能力。 完整答案
当统计模型描述随机误差或噪声而不是潜在关系时,可以在机器学习中看到过度拟合。当模型过于复杂时,通常会观察到过度拟合。这是因为有太多关于训练数据类型数量的参数。该模型表现不佳,已经过拟合。 完整答案
当用于训练模型的标准不符合用于判断模型效率的标准时,就会出现过拟合的可能性。 完整答案
当我们有一个小数据集并且模型试图从中学习时,就会发生过度拟合。通过使用大量数据,可以避免过度拟合。但是,如果我们有一个小型数据库并且被迫基于它构建模型,那么我们可以使用一种称为交叉验证的技术。在这种方法中,通常给模型一个已知数据的数据集,在该数据集上运行训练数据集,以及对模型进行测试的未知数据的数据集。交叉验证的主要目的是定义一个数据集以在训练阶段“测试”模型。如果有足够的数据,则使用“等渗回归”来防止过度拟合。 完整答案
在监督机器学习中,机器使用标记数据进行训练。然后将一个新的数据集输入到学习模型中,以便该算法通过分析标记数据来提供积极的结果。例如,我们首先需要标记在执行分类时训练模型所必需的数据。在无监督机器学习中,机器没有使用标记数据进行训练,而是让算法在没有任何相应输出变量的情况下做出决策。 完整答案
机器学习是关于用于解析数据、从数据中学习,然后应用所学知识做出明智决策的算法。深度学习是机器学习的一部分,它受到人脑结构的启发,在特征检测中特别有用。 完整答案
KNN 或 K 最近邻是用于分类目的的监督算法。在 KNN 中,将测试样本作为其最近邻的大多数的类别。另一方面,K-means 是一种无监督算法,主要用于聚类。在 k-means 聚类中,它只需要一组未标记的点和一个阈值。该算法进一步获取未标记的数据,并通过计算不同未标记点之间距离的平均值来学习如何将其聚类成组。 完整答案
机器赚钱中不同类型的算法方法有: 监督学习半监督学习无监督学习转导强化学习 完整答案
强化学习是机器学习中使用的一种算法技术。它涉及一个代理,它通过产生动作和发现错误或奖励来与其环境交互。不同的软件和机器采用强化学习来搜索在特定情况下应该遵循的最佳行为或路径。它通常根据对其执行的每个动作的奖励或惩罚来学习。 完整答案
偏差和方差都是错误。偏差是由于学习算法中的错误或过于简单的假设而导致的错误。它会导致模型对数据的拟合不足,从而难以具有高预测准确性并将知识从训练集推广到测试集。方差是由于学习算法过于复杂而导致的错误。这导致算法对训练数据的高度变化高度敏感,这可能导致模型过度拟合数据。为了最佳地减少错误的数量,需要权衡偏差和方差。 完整答案
分类和回归的区别如下: 分类 回归 分类是预测离散类标签的任务。 回归是预测连续量的任务。 在分类问题中,数据被标记为两个或多个类别之一。 回归问题需要对数量进行预测。 有两个类问题的分类称为二元分类,多于两个类称为多类分类 包含多个输入变量的回归问题称为多元回归问题。 将电子邮件分类为垃圾邮件或非垃圾邮件是分类问题的一个示例。 预测一段时间内的股票价格是一个回归问题。 完整答案
五种流行的算法是: 决策树概率网络神经网络支持向量机最近的邻居 完整答案
许多模型(例如分类器)被战略性地制作和组合以解决称为集成学习的特定计算程序。集成方法也称为基于委员会的学习或学习多分类器系统。它训练各种假设来解决相同的问题。集成建模最合适的示例之一是随机森林树,其中使用多个决策树来预测结果。它用于改进模型的分类、函数逼近、预测等。 完整答案
在用于定义相同数据的不同数学模型中选择模型的过程称为模型选择。模型学习应用于统计、数据挖掘和机器学习等领域。 完整答案
在机器学习中建立假设或模型分为三个阶段: 建筑模型它为模型选择合适的算法并根据问题的要求对其进行训练。应用模型它负责通过测试数据检查模型的准确性。模型测试它在测试后执行所需的更改并应用最终模型。 完整答案
在监督学习中,标准方法是将示例集拆分为训练集和测试集。 完整答案
在机器学习的各个信息领域中,使用一组数据来发现潜在的预测关系,称为“训练集”。训练集是提供给学习者的示例。此外,“测试集”用于测试学习器生成的假设的准确性。它是学习者阻止的一组实例。因此,训练集不同于测试集。 完整答案
丢失数据是处理数据和处理时的标准因素之一。它被认为是数据分析师面临的最大挑战之一。有很多方法可以估算缺失值。处理数据集中缺失数据的一些常用方法可以定义为删除行、替换为均值/中值/众数、预测缺失值、分配唯一类别、使用支持缺失值的算法等。 完整答案
ILP 代表归纳逻辑编程。它是使用逻辑编程的机器学习的一部分。它旨在搜索可用于构建预测模型的数据模式。在这个过程中,逻辑程序被假设为一个假设。 完整答案
在进行机器学习项目时,我们必须遵循几个基本步骤来实现良好的工作模型。这些步骤可能包括参数调整、数据准备、数据收集、模型训练、模型评估和预测等。 完整答案
Precision和Recall都是信息检索领域中用来衡量信息检索系统根据用户请求回收相关数据的好坏的度量。精度可以说是一个积极的预测值。它是接收到的实例中相关实例的比例。另一方面,召回率是已检索到的相关实例在总量或相关实例中所占的比例。召回也称为敏感性。 完整答案
决策树可以定义为监督机器学习,其中数据根据某个参数不断拆分。它构建类似于树结构的分类或回归模型,在开发决策树时将数据集分解为更小的子集。树可以由两个实体定义,即决策节点和叶子。叶子是决策或结果,决策节点是数据拆分的地方。决策树可以管理分类数据和数值数据。 完整答案
监督学习的功能是: 分类语音识别回归预测时间序列注释字符串 完整答案
无监督学习的功能是: 查找数据集群查找数据的低维表示在数据中寻找有趣的方向寻找新的观察/数据库清理寻找有趣的坐标和相关性 完整答案
算法独立的机器学习可以定义为机器学习,其中数学基础独立于任何特定的分类器或学习算法。 完整答案
分类器是假设或离散值函数的情况,用于将类标签分配给特定数据点。它是一个输入离散或连续特征值向量并输出单个离散值(类)的系统。 完整答案
遗传编程 (GP) 几乎类似于进化算法,它是机器学习的一个子集。遗传编程软件系统实现了一种算法,该算法使用随机变异、适应度函数、交叉和多代进化来解决用户定义的任务。遗传编程模型基于测试并在一组结果中选择最佳选项。 完整答案
SVM 代表支持向量机。SVM 是具有相关学习算法的监督学习模型,用于分析用于分类和回归分析的数据。 SVM 可以处理的分类方法有: 结合二元分类器修改二进制以包含多类学习 完整答案
数组是一种数据类型,在几乎所有现代编程语言中都被广泛实现为默认类型。它用于存储类似类型的数据。但是有很多用例我们不知道要存储的数据量。对于这种情况,需要高级数据结构,其中一种数据结构是链表。有几点可以解释链表与数组的不同之处: 数组 链表 数组是一组具有相似数据类型的元素。 链表是一组有序的相同类型的元素,它们使用指针连接。 元素连续存储在内存中。 新元素可以存储在内存中的任何位置。 数组支持随机访问。这意味着可以使用它们的索引值直接访问元素,例如 arr[0] 用于第 1... 完整答案
混淆矩阵是用于总结分类算法性能的表格。它也被称为误差矩阵。 其中, TN=真阴性TP=真阳性FN=假阴性FP = 误报 完整答案
真阳性当一个模型正确地预测了正类时,就说它是一个真正的正类。例如,当击球手未出局时,裁判判他未出局。 真阴性当一个模型正确地预测了负类时,就说它是一个真正的负类。例如,当击球手出局时,裁判员将击球手出局。 假阳性当模型错误地预测了正类时,就被称为误报。它也被称为“I 型”错误。例如,当击球手出局时,裁判员会判他未出局。 假阴性当一个模型错误地预测了负类时,它被称为假负。它也被称为“II 型”错误。例如,当击球手未出局时,裁判将击球手出局。 完整答案
模型精度是模型性能的一个子集。模型的准确性与模型的性能成正比。因此,模型的性能越好,预测就越准确。 完整答案
Bagging 是集成学习中的一个过程,用于改进不稳定的估计或分类方案。依次使用 Boosting 方法来减少组合模型的偏差。 完整答案
Bagging 和 Boosting 的相似之处: 两者都是从 1 个学习者那里获得 N 次学习的集成方法。两者都生成几个随机抽样的训练数据集。两者都通过取 N 个学习者的平均值来生成最终结果。两者都减少了差异并提供了更高的可扩展性。 Bagging 和 Boosting 的区别: 虽然它们是独立构建的,但对于 Bagging,Boosting 尝试添加新模型,这些模型在以前的模型失败的地方表现良好。只有 Boosting 才能确定数据的权重,从而使天平有利于最具挑战性的案例。只有 Boos... 完整答案
聚类抽样是在定义的群体中随机选择完整群体的过程,具有相似的特征。聚类样本是每个采样单元是元素集合或聚类的概率。例如,如果我们对一组公司中的经理总数进行聚类,在这种情况下,经理(样本)将代表元素,公司将代表集群。 完整答案
贝叶斯网络也称为“信念网络”或“偶然网络”,用于表示一组变量之间概率关系的图形模型。例如,贝叶斯网络可用于表示疾病和症状之间的概率关系。根据症状,网络还可以计算各种疾病存在的概率。高效的算法可以在贝叶斯网络中执行推理或学习。与变量(例如,语音信号或蛋白质序列)相关的贝叶斯网络称为动态贝叶斯网络。 完整答案
贝叶斯逻辑程序由两部分组成: 逻辑它包含一组贝叶斯子句,这些子句捕获了域的定性结构。 定量它用于编码有关域的定量信息。 完整答案
降维是用于减少所考虑的随机变量数量的过程。降维可以分为特征选择和提取。 完整答案
在机器学习中,惰性学习可以被描述为一种延迟归纳和泛化过程直到执行分类的方法。由于相同的属性,基于实例的学习算法有时被称为惰性学习算法。 完整答案
F1 分数代表模型性能的衡量标准。它被称为模型精度和召回率的加权平均值。趋向于 1 的结果被认为是最好的,趋向于 0 的被认为是最差的。它可以用于分类测试,其中真正的否定并不重要。 完整答案
修剪被认为是在决策树中发生的,当去除可能包含弱预测能力的分支以降低模型的复杂性并提高决策树模型的预测准确性时。修剪可以自下而上和自上而下进行,采用减少错误修剪和成本复杂性修剪等方法。 减少错误修剪是最简单的版本,它取代了每个节点。如果它不能降低预测的准确性,则应该对其进行修剪。但是,它通常非常接近一种可以优化最大精度的方法。 完整答案
推荐系统是信息过滤系统的子目录。它预测用户对产品的偏好或排名。根据偏好,它向用户提供类似的推荐。推荐系统广泛应用于电影、新闻、研究文章、产品、社交提示、音乐等。 完整答案
当我们在训练集和测试集中都有低错误时,欠拟合是一个问题。很少有算法能更好地解释,但不能更好地预测。 完整答案
每当模型开始过拟合/欠拟合时,正则化都是必要的。它是使用目标函数引入更多特征的成本项。因此,它试图将许多变量的系数推到零并减少成本项。它有助于降低模型复杂度,使模型能够更好地预测(泛化)。 完整答案
正则化是一种回归形式,它将系数估计约束/正则化或缩小到零。换句话说,它不鼓励学习更复杂或更灵活的模型来避免过度拟合的风险。它减少了模型的方差,而没有显着增加其偏差。正则化用于解决过拟合问题,因为它通过添加权重向量 w 的 L1 (LASSO) 或 L2 (Ridge) 范数的倍数来惩罚损失函数。 完整答案
大多数机器学习算法都需要数字作为输入。这就是将分类值转换为因子以获得数值的原因。也不必处理虚拟变量。函数 factor() 和 as.factor() 用于将变量转换为因子。 完整答案
为了更好的预测模型,只有当变量本质上是序数时,分类变量才能被视为连续变量。 完整答案
大多数人已经在日常生活中使用机器学习。假设您正在使用互联网,您实际上是在通过搜索表达您的偏好、喜欢、不喜欢。所有这些东西都被您计算机上的 cookie 获取,据此评估用户的行为。它有助于通过互联网增加用户的进度并提供类似的建议。 导航系统也可以被视为我们使用机器学习使用优化技术计算两个地点之间的距离的示例之一。当然,在不久的将来,人们将更多地参与机器学习。 完整答案