1
Python 机器学习面试题阅读指南（必看）
2
什么是机器学习
3
机器学习与数据挖掘的区别？
4
什么是机器学习的过度拟合现象？过度拟合产生的原因？如何避免过拟合问题？
5
什么是机器学习的欠拟合？如何避免欠拟合问题？
6
解释有监督和无监督机器学习之间的区别？
7
偏差和方差之间的权衡是什么？
8
解释 KNN 和 k-means 聚类之间的区别？
9
什么是贝叶斯定理？我们为什么用它？
10
什么是朴素贝叶斯分类器？我们为什么要使用它们？
11
判别模型和生成模型之间有什么区别？
12
什么是参数模型？提供一个例子
13
如何根据训练集大小选择分类器？
14
解释ROC曲线和AUC？
15
如何确保您不会过度拟合模型？
16
说明如何处理数据集中的丢失或损坏的数据？
17
解释如何开发数据管道？
18
如何解决模型中的高方差？
19
什么是超参数？它们与模型参数有何不同？
20
你正在处理数据集。如何选择重要变量？
21
为什么 XGBoost 的性能优于 SVM？
22
以下混淆矩阵的召回率，特异性和精确度是多少？
23
使用 scikit-learn 时，是否确实需要在特征值变化很大时调整特征值？
24
你的数据集有 50 个变量，但是8个变量的缺失值高于 30％。如何解决这个问题？
25
协方差和相关性有什么区别？
26
你认为把分类变量当成连续型变量会得到一个更好的预测模型吗？
27
在 K-means 或者 KNN，我们是用欧氏距离来计算最近的邻居之间的距离，为什么不用曼哈顿距离？
28
给你一个数据集，这个数据集有缺失值，且这些缺失值分布在高中值有1一个标准偏差的的范围内，百分之多少的数据不会受到影响？为什么？
29
线程分类器与非线性分类器的区别以及优劣？
30
文本中的余弦距离是什么，有哪些作用？
31
什么是数据埋点？
32
请简要说说一个完整的机器学习项目流程
33
我们知道，独热编码（OneHotEncoder）会增加数据集的维度。但是标签编码（LabelEncoder）不会。为什么？
共 33 篇文章