互联网络秋招面试问题总结.docxVIP

  1. 1、本文档共8页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
互联网络秋招面试问题总结 LR与SVM区别: (1)LR是参数模型,SVM是非参数模型。 (2)从目标函数来看,区别在于逻辑回归采用的是logistical loss,SVM采用的是hinge loss,这两个损失函数的目的都是增加对分类影响较大的数据点的权重,减少与分类关系较小的数据点的权重。 (3)SVM的处理方法是只考虑support vectors,也就是和分类最相关的少数点,去学习分类器。而逻辑回归通过非线性映射,大大减少了离分类平面较远的点的权重,相对提升了与分类最相关的数据点的权重。 (4)逻辑回归相对来说模型更简单,好理解,特别是大规模线性分类时比较方便。而SVM的理解和优化相对来说复杂一些,SVM转化为对偶问题后,分类只需要计算与少数几个支持向量的距离,这个在进行复杂核函数计算时优势很明显,能够大大简化模型和计算。 (5)logic能做的svm能做,但可能在准确率上有问题,svm能做的logic有的做不了。 基本数据结构:数组,线性链表,二叉树,哈希表; 数组:采用一段连续的存储单元来存储数据,对给定下标查找:O(1);一般插入/删除:O(n);对于有序的数组二分查找、插值查找、斐波那契查找:O(logn); 线性链表:查找需要遍历链表逐一比较:O(n),插入/删除:O(1); 二叉树:对于一棵相对平衡的有序二叉树对其插入/查找/删除:O(logn); 哈希表:添加/删除/查找都是O(1); 数据结构的物理存储结构只有两种:顺序存储结构和链式存储结构; Batch Normaliztion:批量化归一化,优化深度神经网络最有用的技巧之一,大大加快深度模型的训练时间。 防止网络过拟合方法: 数据集扩增、提前终止(early stopping)、正则化(Regularization)、Dropout等 Early stopping: 对模型进行过度训练时,常常会导致模型的过拟合。 对模型训练的过程即是对模型的参数进行学习更新的过程,参数学细的过程往往会用到一些迭代方法,如梯度下降学习算法,Early stopping是一种迭代次数截断的方法来防止过拟合的方法,即在模型对训练数据集迭代收敛之前停止迭代来防止过拟合。 Early stopping方法具体做法,在每一个epoch结束时(一个Epoch集为对所有的训练数据的一轮遍历)计算validation data的accuracy,当accuracy不再提高时,就停止训练。一般的做法是,在训练的过程中,记录到目前为止最好的validation accuracy,当连续10次Epoch(或者更多次)没达到最佳accuracy时,则可以认为accuracy不再提高了。此时便可以停止迭代了(Early Stopping)。这种策略也称为“No-improvement-in-n”,n即Epoch的次数,可以根据实际情况取,如10、20、30…… 数据集扩增: 在数据挖掘领域流行着这样的一句话,“有时候往往拥有更多的数据胜过一个好的模型”。因为我们在使用训练数据训练模型,通过这个模型对将来的数据进行拟合,而在这之间又一个假设便是,训练数据与将来的数据是独立同分布的。即使用当前的训练数据来对将来的数据进行估计与模拟,而更多的数据往往估计与模拟地更准确。 数据集扩增即需要得到更多的符合要求的数据,即和已有的数据是独立同分布的,或者近似独立同分布的。解决方法:从数据源头采集更多数据、复制原有数据并加上随机噪声、重采样、根据当前数据集估计数据分布参数,使用该分布产生更多数据 正则化: 模型过于复杂,参数过多,将会导致过拟合,则需要加入正则项。 Dropout: 神经网络本身的一种方法,该方法是在对网路进行训练时用一种技巧,在训练开始,随机删除(睡眠)一些隐藏层神经元,即这部分的神经元的参数不更新,这样一次迭代更新便完成了。下一次迭代中,同样随机删除(睡眠)一些神经元,与上次不一样,做随机选择,这样一直进行,直至训练结束。Dropout方法通过改变隐藏层神经元个数,来防止过拟合。 平衡二叉树: 平衡二叉树:它是一棵空树或它的左右两个子树的高度差的绝对值不超1,并且左右两个子树都是一棵平衡二叉树。平衡二叉树的常用实现方法有红黑树、AVL、替罪羊树、Treap、伸展树等。 最小二叉平衡树的节点的公式如下 F(n)=F(n-1)+F(n-2)+1,1是根节点,F(n-1)是左子树的节点数量,F(n-2)是右子树的节点数量。 8.26: 二叉排序树BST(二叉查找树BST,二叉搜索树)右节点<根节点<右节点 红黑树是一种自平衡二叉查找树,典型的用途是实现关联数组。红黑树和AVL树类似,都是在进行插入和删除操作时通过特定操作保持二叉查找树的平衡,从而获得较高的查找性能。它的统计性能要好于平衡二叉

您可能关注的文档

文档评论(0)

紫夜残香 + 关注
实名认证
文档贡献者

一些资料分享

1亿VIP精品文档

相关文档