机器学习常见面试题

常见基模型

---

1. 线性模型（Linear Models）

• 特点：通过线性组合特征进行预测，适合处理线性关系。
• 常见类型 ：
  • 线性回归（Linear Regression）
  • 逻辑回归（Logistic Regression）
  • 岭回归（Ridge Regression）
  • Lasso 回归（Lasso Regression）
• 适用场景：特征与目标变量之间存在线性关系，且数据维度较高时。

---

2. 支持向量机（Support Vector Machines, SVM）

• 特点：通过寻找最大间隔超平面进行分类或回归。
• 常见类型 ：
  • 线性 SVM（Linear SVM）
  • 核 SVM（Kernel SVM，如 RBF 核、多项式核）
• 适用场景：适合高维数据和小样本数据，尤其是分类任务。

---

3. 神经网络（Neural Networks）

• 特点：通过多层非线性变换拟合复杂函数。
• 常见类型 ：
  • 多层感知机（MLP）
  • 卷积神经网络（CNN）
  • 循环神经网络（RNN）
  • Transformer
• 适用场景：适合处理非线性关系和高维数据，尤其是图像、文本、语音等复杂数据。

---

4. 朴素贝叶斯（Naive Bayes）

• 特点：基于贝叶斯定理，假设特征之间相互独立。
• 常见类型 ：
  • 高斯朴素贝叶斯（Gaussian Naive Bayes）
  • 多项式朴素贝叶斯（Multinomial Naive Bayes）
  • 伯努利朴素贝叶斯（Bernoulli Naive Bayes）
• 适用场景：适合文本分类、垃圾邮件过滤等高维稀疏数据。

---

5. K 近邻（K-Nearest Neighbors, KNN）

• 特点：基于距离度量，通过邻居的标签进行预测。
• 适用场景：适合低维数据和小样本数据，尤其是分类任务。

---

6. 决策树（Decision Trees）

• 特点：通过递归分割特征空间构建树结构。
• 常见类型 ：
  • CART（Classification and Regression Tree）
  • ID3（Iterative Dichotomiser 3）
  • C4.5（改进的 ID3）
• 适用场景：适合处理非线性关系，且模型可解释性要求较高时。

---

7. 随机森林（Random Forest）

• 特点：通过集成多棵决策树进行预测，减少过拟合。
• 适用场景：适合处理高维数据和非线性关系，且对模型稳定性要求较高时。

---

8. 梯度提升树（Gradient Boosting Trees）

• 特点：通过逐步添加树模型拟合残差，优化目标函数。
• 常见类型 ：
  • XGBoost
  • LightGBM
  • CatBoost
• 适用场景：适合处理结构化数据，且对模型性能要求较高时。

---

9. 高斯过程（Gaussian Processes）

• 特点：通过高斯分布建模目标变量的分布。
• 适用场景：适合小样本数据和回归任务，尤其是需要不确定性估计时。

---

10. 贝叶斯网络（Bayesian Networks）

• 特点：通过概率图模型表示变量之间的依赖关系。
• 适用场景：适合处理不确定性和复杂依赖关系的数据。

---

11. 聚类模型（Clustering Models）

• 特点：通过无监督学习将数据分为若干簇。
• 常见类型 ：
  • K-Means
  • 层次聚类（Hierarchical Clustering）
  • DBSCAN
• 适用场景：适合无监督学习任务，如客户分群、异常检测等。

---

12. 主成分分析（Principal Component Analysis, PCA）

• 特点：通过线性变换将高维数据降维。
• 适用场景：适合数据降维和可视化，尤其是高维数据。

---

13. 隐马尔可夫模型（Hidden Markov Models, HMM）

• 特点：通过状态转移和观测概率建模序列数据。
• 适用场景：适合处理时间序列数据，如语音识别、自然语言处理等。

---

14. 因子分析（Factor Analysis）

• 特点：通过潜在变量解释观测变量之间的相关性。
• 适用场景：适合降维和探索性数据分析。

---

15. 混合模型（Mixture Models）

• 特点：通过多个概率分布的混合建模数据。
• 常见类型 ：
  • 高斯混合模型（Gaussian Mixture Models, GMM）
  • 隐狄利克雷分布（Latent Dirichlet Allocation, LDA）
• 适用场景：适合聚类和生成模型任务。

---

总结

基模型一般包括：

1. 线性模型（如线性回归、逻辑回归）
2. 支持向量机（SVM）
3. 神经网络（如 MLP、CNN、RNN）
4. 朴素贝叶斯
5. K 近邻（KNN）
6. 决策树（如 ID3、C4.5）
7. 随机森林
8. 梯度提升树（如 XGBoost、LightGBM）
9. 高斯过程
10. 贝叶斯网络
11. 聚类模型（如 K-Means、DBSCAN）
12. 主成分分析（PCA）
13. 隐马尔可夫模型（HMM）
14. 因子分析
15. 混合模型（如 GMM、LDA）

决策树（Decision Tree）

决策树（Decision Tree） 是一种常用的机器学习算法，既可以用于分类任务，也可以用于回归任务。它的核心思想是通过递归地划分特征空间，构建一棵树结构来对数据进行预测。决策树因其直观、易于理解和解释的特点，被广泛应用于各种领域。

---

1. 决策树的基本概念

• 树结构 ：
  • 决策树由节点（Node）和边（Edge）组成。
  • 根节点：树的起始点，包含所有样本。
  • 内部节点：表示一个特征或属性的测试条件。
  • 叶子节点：表示最终的预测结果（分类标签或回归值）。

---

2. 决策树的构建过程

（1）选择最佳分裂特征

• 决策树的核心是如何选择最佳特征进行分裂。
• 常用的分裂准则包括：
  • 信息增益（Information Gain） ：选择使信息增益最大的特征。
    • 信息增益 = 父节点的熵 - 子节点的加权平均熵。
  • 信息增益比（Gain Ratio）：对信息增益进行归一化，避免偏向取值较多的特征。
  • 基尼指数（Gini Index） ：选择使基尼指数最小的特征。
    • 基尼指数表示数据的不纯度，值越小表示纯度越高。

（2）递归分裂

• 对每个子节点重复上述过程，直到满足停止条件。
• 常见的停止条件包括：
  • 节点中的样本全部属于同一类。
  • 树的深度达到预设的最大值。
  • 节点中的样本数少于预设的最小值。

3. 决策树的类型

（1）分类树（Classification Tree）

• 用于分类任务，叶子节点输出类别标签。
• 常用算法：
  • ID3（Iterative Dichotomiser 3）：使用信息增益作为分裂准则。
  • C4.5：使用信息增益比作为分裂准则。
  • CART（Classification and Regression Tree）：使用基尼指数作为分裂准则。

（2）回归树（Regression Tree）

• 用于回归任务，叶子节点输出连续值。
• 常用算法：
  • CART：通过最小化均方误差（MSE）选择最佳分裂点。