2026年机器学习工程师面试题及答案.docxVIP

2026年机器学习工程师面试题及答案

一、基础概念与理论

1.请解释偏差-方差分解的数学表达式，并说明在模型选择中如何平衡偏差与方差。

偏差-方差分解将预测误差分解为偏差平方、方差和噪声三部分：

E[

其中，偏差（Bias）反映模型对真实函数的拟合能力，偏差高意味着模型过于简单（欠拟合）；方差（Var）反映模型对训练数据波动的敏感程度，方差高意味着模型过于复杂（过拟合）。实际中，需通过交叉验证选择复杂度适中的模型：若训练误差与验证误差均高，优先降低偏差（如增加特征、使用更复杂模型）；若训练误差低但验证误差高，优先降低方差（如正则化、增加数据、简化模型）。

2.分类任务中，当正负样本比例为1:100时，为什么准确率不是合适的评估指标？此时应选择哪些指标？请说明各指标的计算方式及适用场景。

准确率（Accuracy）=（TP+TN）/（TP+TN+FP+FN），在极端不平衡场景下，若模型全预测为负类，准确率可达99%，但完全忽略正类。此时应选择：

精确率（Precision）=TP/(TP+FP)：衡量预测为正的样本中实际为正的比例，适用于“减少误判”场景（如垃圾邮件过滤）；

召回率（Recall）=TP/(TP+FN)：衡量实际正样本中被正确预测的比例，适用于“减少漏判”场景（如疾病诊断）；

F1分数=2(PrecisionRecall)/(Pre