集成学习面试题25 题
- 01 集成模型如何做可解释性分析？
- 02 什么是集成学习？为什么多个弱模型组合能变强？
- 03 随机森林的 OOB 误差是什么？
- 04 随机森林的原理是什么？它的「随机」体现在哪里？
- 05 Bagging 和 Boosting 有什么区别？
- 06 GBDT 和随机森林有什么区别？各自适合什么场景？
- 07 GBDT 为什么拟合残差？
- 08 LightGBM 的 leaf-wise 生长策略有什么优缺点？
- 09 什么是 Stacking 和 Blending？和 Bagging/Boosting 有什么不同？
- 10 为什么 Bagging 主要降方差、Boosting 主要降偏差？
- 11 AdaBoost 的原理是什么？它是怎么「逐步纠错」的？
- 12 GBDT（梯度提升树）的原理是什么？为什么说它在「拟合残差」？
- 13 XGBoost 和 LightGBM 有什么区别？LightGBM 为什么更快？
- 14 XGBoost 如何控制过拟合？
- 15 XGBoost 相比传统 GBDT 有哪些改进？
- 16 集成学习为什么需要模型多样性？
- 17 随机森林为什么要做特征子采样？
- 18 投票法和平均法在集成学习中有什么区别？
- 19 GBDT 中学习率和树数量如何权衡？
- 20 Stacking 为什么容易数据泄露？如何避免？
- 21 集成模型线上推理成本如何控制？
- 22 集成树模型如何用 SHAP 做解释？
- 23 如何把集成模型蒸馏成单模型？
- 24 LightGBM 如何处理类别特征？
- 25 XGBoost 如何处理缺失值？
没有符合条件的题目。