机器学习基础面试题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 经验风险和结构风险有什么区别？
- 06 类别不平衡问题如何处理？
- 07 没有免费午餐定理在机器学习里怎么理解？
- 08 什么是过拟合和欠拟合？各自的原因和解决方法是什么？
- 09 什么是模型容量？容量太大或太小会怎样？
- 10 什么是偏差和方差？偏差-方差权衡是什么？
- 11 什么是梯度下降？批量、随机和小批量梯度下降有什么区别？
- 12 什么是正则化？为什么它能防止过拟合？L1 和 L2 有什么区别？
- 13 生成模型和判别模型有什么区别？
- 14 训练集、验证集、测试集如何划分？为什么需要验证集？
- 15 训练集和线上数据分布不一致怎么办？
- 16 多个模型候选方案如何做模型选择？
- 17 机器学习为什么需要数据版本管理和可复现训练？
- 18 机器学习中的标签噪声会带来什么问题？如何处理？
- 19 什么是训练-服务偏差？如何避免线上线下不一致？
- 20 特征时间和标签时间为什么要严格对齐？
- 21 机器学习中的隐私和公平性为什么需要关注？
- 22 模型上线后为什么会产生反馈回路？
- 23 模型输出概率应该如何理解？
- 24 什么是样本选择偏差？会如何影响模型？
- 25 训练损失和业务指标不一致怎么办？
没有符合条件的题目。