机器学习面试问题大揭秘！这25个问题你会答吗？

选自Medium

机器之心编译

参与：Geek AI、王淑婷、思源

对于机器学习而言，存在着诸多致使困惑以及不解的状况，好多问题都不存在明晰的答案。然而在面试期间，怎样去探查到面试官旨在提问的知识点，这显得极为重要。在本篇文章里边，作者给出了25个颇具意味的机器学习面试问题，这些问题并非给出了明确的答案，不过都有着一定的提示。读者同样能够在留言当中进行尝试。

诸多数据科学家大多是从一名数据从业者的视角去钻研机器学习（ML），所以，对于机器学习而言，我们理应尽可能多地将注意力置于新的程序包、框架、技术等层面，而非针对核心理论的深度探究。在本文里，我所界定的机器学习涵盖所有的统计机器学习方法，故而并非仅指深度学习。

可是，历经一番费尽心力的探寻与思索之后，我们能够罗列出诸多相当不错的机器学习方面的题目，而当我们尝试去解答以及剖析这些题目之际，便能够极为出色地揭示出题目背后更深层次的内在含义。大体而言，这些题目或许能够助力我们摆脱上面所提及的那一堆问题。我们并非仅仅只想始终对数据集展开操作，我们期望能够更为深入地钻研机器学习技术的特性、奇特之处以及繁杂的细节，并且最终能够妥善地接纳它们。

事实上，网络之中存在着许许多多关于「机器学习面试问题」的文章，对于这些文章作者期望能够以一种稍微有所不同的、具备趣味性的方式去对这些问题展开讨论。

声明，我把这些问题罗列出来，仅是为了启发大家去思考，进而促进相关的讨论。这个问题不存在现成的答案。我们会针对某些问题给出提示，这仅仅是为了引发进一步的讨论，并非给出了确切答案。每个问题都值得被更详尽地讨论，所以不存在固定答案。有些问题是特意设计出来提出的，而有些只是为了逗大家开心。

问题

1. 我构建了一个线性回归模型，处于95%的置信区间下。这是否意味着，对于试图近似的函数而言，我的模型参数有95%的概率是真实的估计值呢？（提示：这实际上意味着，在95%的试验情况下...）

Hadoop文件系统，与KNN（k最近邻）算法二者之间，存在着怎般相似之处呢，你知道吗？（此处有提示哦，它们都呈现出很「懒」的特性呢）

第 3 点，哪一个关于模型结构的表示能力会更具强大性？（举例说明，它能够以精准无误的方式去表示一个给定的布尔函数），究竟是一个单层感知机，还是一个两层的决策树？（给出提示，以异或函数作为例子）

4. 存在一个两层决策树，还有一个不带有任何激活函数的两层神经网络，那么究竟谁更强大呢？（提示：需考虑非线性函数的情况哟）

5. 神经网络能够被当作降维的工具不？请去进行详细的解释一番。（提示：自编码器）

似乎为数不少的人都对截距项在线性回归模型里所起的作用予以忽视，那么请向我讲出一个截距项具备的功能，提示是噪声收集器。

7. Lasso正则化能够把系数削减至恰好为零，岭回归则能够将系数降低到极为微小的非零值，你能够从两个简易的函数「|x| 和 x」的图像里直观地阐释它们的不同之处吗，提示请注意 |x| 函数图像中的尖点？

如果你对数据集，也就是连续值的分布，完全没有了解，你不可以作出它是高斯分布的假设。使用最简单的论证来表明：不管真实的分布究竟是怎样的，你都能够确保，有大概89%的数据，会落在均值附近，正负3个标准差的范围之内。提示是，马尔可夫的博士导师是谁？

9. 诸多机器学习算法会关联到某些针对矩阵的操作，像矩阵乘法以及求逆矩阵等。请给出一份简易的数学证明，表明为何这种机器学习算法的mini - batch版本有可能相较在整个数据集上去开展训练，其计算效率会更高呢？（提示：矩阵乘法的时间复杂度...）

10. 你难道不觉得时间序列是个极为简单的线性回归问题吗，那时序仅仅存在一个因变量以及一个自变量（时间）？当运用时序数据之际，线性回归拟合（或许是多项式回归）的方法会有啥问题呢？（提示一下：以往的信息是对未来有所预示的...）

11. 请给出一个简单的数学证明，用以表明在所有可能存在的树结构当中，找出适用于分类问题的最优决策树，这是一个复杂度为指数级的问题，森林里究竟会有多少棵树，这是一个提示内容。

12. 决策树是一种非线性分类器，神经网络也是一种非线性分类器，这意味着，它们是凭借复杂的决策边界去分割解空间的。那么，直观来讲，为何我们会觉得运用决策树模型比深度神经网络要简单得多呢？

13. 深度学习里的关键算法是反向传播。可哪些技术有可能去替代反向传播算法用于训练神经网络呢。（提示：随机搜索...）

14. 假定你当下存在两个问题，分别是线性回归以及logistic回归。在这之中，哪一个更具备从超快大型矩阵乘法算法里获取益处的可能性？原因是什么呢？（提示：哪一种算法更有可能运用矩阵操作）

15. 主成分分析会受到自变量之间相关性怎样的影响呢？针对这种影响你打算怎样去处理它呢？

将其改写为：你要去构建一个关于陨石撞击地球的分类模型，此项目对人类文明来讲是颇为重要的，在初步予以分析以后，你获得了九九%的准确率，为此你究竟应不应该感到高兴，原因又是什么，针对这种情况你能够采取什么行动，提示是小概率事件。

17. 有没有可能捕捉连续变量跟类别变量之间的关系呢？要是可以的话，要采取怎样的做法呀？

如果你正从事基因表达数据的研究，一般会存在数百万个自变量，然而仅有几百个样本。请给出简易的数学论证，阐明为何在此种情形下，运用最小二乘法去构建一个回归模型并非是个良好的选择。（提示：从矩阵代数的层面去思索...）

让人解释一下，为何k折交叉验证针对时序模型而言效果不太理想呢。能做点什么去改进这种状况呢？（给出提示：才过去的信息对于未来有着比较强劲的指导用途……）。

回归问题情境；从训练数据借简单随机抽样方式获取训练集，此方式有效；分类问题情境；该方式会有啥问题；针对此能采取何举措；提示内容；所有类别中的样本能否被公平抽取出来。

21. 模型的准确率和性能，哪一个对你来说更重要？

假设你能够运用多个中央处理器内核使得情况发生变化，那么你是不是会更加倾向于选择提升树算法而非随机森林算法呢？并且请解释一下原因。（这里有这样一个提示：要是你拥有十只用于展开一项任务的手，你会怎样去运用它们呢）

23. 假定已知数据集呈现线性可分的状况，而你要确保算法具备收敛这一特性，并且拥有最大的迭代次数或者训练步数，这是鉴于计算资源存在限制的缘故。在这样的情形下，你会运用梯度下降法吗？你会挑选何种方法呢？（给出提示：哪一种简单的算法能够确保寻找到解）

24. 假定你所拥有的内存以及存储空间是极为有限的。你会不会更加倾向于logistic回归？还是会更青睐KNN算法？原因究竟是什么？（给出提示：空间复杂度）

欲构建一机器学习模型，你预备了一百个数据点以及五种特征，为减偏差，又引入五个特征变量，且又收集了一百个数据点，请阐释此方法是否正确。（提示：机器学习会遭遇的（维度）灾难，你听闻过吗）

原链接为，https://medium.com/analytics-vidhya/25个有趣的用于机器学习面试的问题-373b744a4faa。

本文为机器之心编译，转载请联系本公众号获得授权。