机器学习面试题精解：逻辑回归至CNN.pdfVIP

常见面试题part1

一.逻辑回归

1.写出逻辑回归的分类函数？

2.逻辑回归的损失函数是啥？和MSE有啥区别？为啥不用MSE

3.逻辑回归的局限性在哪？如何解决(线性分类，线性不可分)

4.逻辑回归的特征如何做？需要注意什么（幅值归一化，均值0值归一化，离散特征VS

连续特征）

5.如何解决过拟合（L1+L2正则）

二.朴素贝叶斯

1.朴素贝叶斯的优缺点

三．支持向量机

1.支持向量机和逻辑回归的异同（线性分类+最大margin）

2.支持向量机的核方法

四．Kmeans

1.说下kmeans的聚类过程以及存在问题（初始值敏感，解决方案，多来几次，记下内间

距最小的）

五．LDA

1.阐述LDA的原理过程

六．指标相关

1.阐述准确率，率，AUC值

2.阐述机器学习整个流程（测试集，训练集，有效集）

3.如何解决样本不平衡问题

七．DNN

1.深度络常用激活函数是哪些？为什么不用sigmoid

2.简述梯度和梯度

3.深度学习中常见损失函数有哪些

4.Relu函数存在的问题

5.简述dropout

6.简述多分类采用的方法（softmax函数，额外类，类间冗余）

八word2vec

1.简述word2vec的原理

2.Word2vec的分类函数为什么不用softmax需要怎么改进？

3.Word2vec计算出来的词向量在近义词上相比统计有啥优势

4.阐述fasttext相关原理

九CNN

1.阐述CNN分类原理

2.阐述卷积和池化工作原理以及优点

3.CNN在文本分类下如何作用？和fasttext有啥区别