机器学习基础面试题25 题
25 题
- 01 监督学习、无监督学习和强化学习有什么区别？
- 02 什么是机器学习？监督学习、无监督学习和强化学习有什么区别？
- 03 参数模型和非参数模型有什么区别？
- 04 常见的损失函数有哪些？回归和分类分别用什么损失函数？
- 05 规范的模型选择流程应该怎样设计？
- 06 机器学习中如何做数据版本管理与可复现训练？
- 07 类别不平衡问题如何处理？
- 08 模型输出的概率到底表示什么？
- 09 如何避免特征与标签的时间穿越？
- 10 如何理解机器学习中的没有免费午餐定理？
- 11 什么是过拟合和欠拟合？各自的原因和解决方法是什么？
- 12 什么是经验风险最小化与结构风险最小化？
- 13 什么是模型容量？容量太大或太小会怎样？
- 14 什么是偏差和方差？偏差-方差权衡是什么？
- 15 什么是数据分布漂移？如何识别和应对？
- 16 什么是梯度下降？批量、随机和小批量梯度下降有什么区别？
- 17 什么是正则化？为什么它能防止过拟合？L1 和 L2 有什么区别？
- 18 生成模型和判别模型有什么区别？
- 19 损失函数与评估指标不一致时怎么办？
- 20 训练集、验证集、测试集如何划分？为什么需要验证集？
- 21 标签噪声会怎样影响模型？如何处理？
- 22 机器学习中的隐私与公平性应如何考虑？
- 23 模型上线后的反馈回路是什么？如何控制？
- 24 什么是训练—服务偏差？如何排查？
- 25 什么是样本选择偏差？如何修正？
没有符合条件的题目。