阿里云人工智能岗真实面试题（含落地级详细答案）.docxVIP

阿里云人工智能岗真实面试题（含落地级详细答案）.docx

阿里云人工智能岗真实面试题（含落地级详细答案）

一、机器学习基础高频题（必问）

1、说说过拟合的成因、识别方法，以及你在项目中怎么解决过拟合？

参考答案：

过拟合核心就是模型学了训练数据的噪声和特例，泛化能力变差，训练集精度极高、测试集精度明显下滑。

成因：模型复杂度太高、训练数据量少、数据噪声大、训练迭代次数过多、特征冗余过多。

识别方式：主要看训练集和验证集的损失/准确率差距，差距持续拉大就是过拟合；也可以通过交叉验证结果波动判断。

落地解决方法（实战向）：

1）数据层面：最有效。扩充训练数据、清洗异常噪声样本、做数据增强；

2）模型层面：简化模型结构，减少网络层数、神经元数量，降低模型参数量；

3）正则化：分类回归任务用L1/L2正则，神经网络用Dropout、BatchNorm；

4）训练策略：提前停止训练，监控验证集指标，指标不提升就终止迭代；

5）集成学习：用Bagging、Boosting降低单模型过拟合风险。

2、交叉熵损失和MSE损失的区别，各自适用场景？

参考答案：

MSE是均方误差，侧重拟合数值偏差，对异常值非常敏感，梯度更新后期会越来越慢，收敛效率低。

交叉熵损失本质是负对数似然，专门适配概率分布拟合，梯度稳定、收敛快，对分类任务更友好。

适用场景：

回归任务（预测连续数值）优先用MSE；二分类、多分类任务统一用交叉熵损失。