线性模型面试题25 题
25 题
- 01 逻辑回归的原理是什么？为什么叫「回归」却用来分类？
- 02 逻辑回归有哪些优缺点？为什么工业界（风控、CTR）这么爱用它？
- 03 逻辑回归阈值如何结合业务成本选择？
- 04 逻辑回归怎么做多分类？Softmax 和 OvR 有什么区别？
- 05 逻辑回归中的 class_weight 如何起作用？
- 06 什么是多重共线性？有什么危害？怎么检测和解决？
- 07 什么是泊松回归？适用于什么场景？
- 08 什么是正则化路径？它有什么用途？
- 09 特征标准化后如何解释线性模型系数？
- 10 线性回归的原理是什么？有哪些基本假设？
- 11 线性回归和逻辑回归有什么区别和联系？
- 12 线性回归用正规方程还是梯度下降？两者怎么选？
- 13 线性模型为什么要加入交互项？
- 14 线性模型中批量、随机和小批量梯度下降如何选择？
- 15 Elastic Net 为什么结合 L1 和 L2？
- 16 高维稀疏场景如何使用线性模型？
- 17 类别极不平衡时怎样训练和评估逻辑回归？
- 18 逻辑回归天然是校准的吗？如何校准？
- 19 逻辑回归为什么用交叉熵损失，而不用均方误差（MSE）？
- 20 如何检查线性回归的基本假设？
- 21 什么是稳健回归？常见方法有哪些？
- 22 线性模型如何进行在线学习？
- 23 线性模型如何系统地构造和筛选特征交互？
- 24 最大似然估计（MLE）和最小二乘法是什么关系？
- 25 L1 和 L2 正则化有什么区别？为什么 L1 能产生稀疏解？
没有符合条件的题目。