机器学习常见面试题及详细答案（实战干货版）_1.docxVIP

机器学习常见面试题及详细答案（实战干货版）

一、机器学习基础概念

1、监督学习、无监督学习、半监督学习、强化学习的区别？各自适用场景？

答案：

监督学习：训练数据全部带有标签，模型通过学习输入和输出的对应映射关系，完成预测任务。简单说就是“有标准答案的学习”。

适用场景：分类、回归任务，比如房价预测、用户性别分类、销量预测。

无监督学习：训练数据没有任何标签，模型自主挖掘数据内部的分布规律、聚类结构和关联特征。属于“无标准答案，自主找规律”。

适用场景：用户分群、异常检测、数据降维、关联规则挖掘。

半监督学习：训练数据少量带标签、大量无标签，结合两者进行训练，解决标注数据稀缺、标注成本高的问题。

适用场景：图片分类、文本分类、语音识别等标注难度大的场景。

强化学习：模型通过和环境持续交互，根据环境反馈的奖励或惩罚，不断调整策略、优化行为，核心是试错学习。

适用场景：推荐系统优化、游戏博弈、自动驾驶决策、机器人控制。

2、偏差、方差的区别？分别对应什么问题？

答案：

偏差：反映模型的拟合能力，是模型预测值和真实值的平均误差。偏差大，说明模型过于简单，无法捕捉数据的真实规律，出现欠拟合。

方差：反映模型在不同数据集上的稳定性。方差大，说明模型对训练数据的噪声、细节过度敏感，在训练集表现好、测试集表现差，出现过拟合。

简单总结：

高偏差=欠拟合、模型太简单、泛化能力整体差；

高方差