模型面试题及详细答案.docxVIP

模型面试题及详细答案

一、基础必考题（入门级，考察核心概念掌握）

1.请说说什么是过拟合、欠拟合，以及实际工作中你是怎么解决这两个问题的？

答案：首先说过拟合，简单讲就是模型“学太细”了，把训练数据里的噪声、偶然误差都当成了规律，导致在训练集上效果很好，一到测试集或者新数据上就拉胯，泛化能力差。比如用简单的线性回归去拟合复杂数据，硬要追求训练集准确率100%，最后曲线拐来拐去，完全贴合训练数据的每个点，但对新数据预测不准。

欠拟合则相反，是模型“学不够”，连训练数据里的基本规律都没抓住，训练集和测试集效果都不好。比如用线性模型去拟合非线性数据（比如房价和面积的二次关系），模型只能画一条直线，根本贴合不了数据趋势，误差一直很大。

实际解决方法（不套理论，说实操）：

解决过拟合：①最常用的是正则化，L1正则化会让部分特征系数变0，相当于做特征选择，避免冗余特征；L2正则化会让系数变小，不让某个特征权重过高，实际中我常用L2（比如逻辑回归里的Ridge）。②增加训练数据，比如数据增强（图像类就翻转、裁剪，文本类就同义词替换），数据量够大，模型就不容易学偏。③早停，训练的时候盯着验证集效果，一旦验证集准确率不提升甚至下降，就停止训练，不让模型继续“死记硬背”训练数据。④简化模型，比如把复杂的深度神经网络层数减少，或者把决策树的深度剪枝，去掉没必要的分支。

解决欠拟合：①增加