乐信2019校园招聘算法、测试工程师笔试题合集.docx

根据给定文件的信息，我们可以总结出以下几个重要的知识点： ### 1. 二元分类器的效果指标 - **查全率**（Recall）：指所有实际为正例的样本中被预测为正例的比例。 - **查准率**（Precision）：指所有被预测为正例的样本中实际为正例的比例。 - **提升值**：衡量模型相对于随机选择的性能改进程度。 - **AUC**（Area Under Curve）：ROC曲线下的面积，用来评价分类模型的性能。 - **AUC** 不易受到正负样本比例的影响，因此在正负样本比例失衡的情况下，AUC 是一个较好的评价指标。 ### 2. 决策树的应用范围 - 决策树算法不仅可以用于**二值分类**，也可以用于**多值分类**问题。例如，可以通过构建多个二叉树来解决多分类问题。 ### 3. 非监督学习算法 - **聚类分析**属于非监督学习算法，主要用于发现数据中的自然分组或簇。 ### 4. 数据降维方法 - **因子分析**、**主成分分析**（PCA）、**奇异值分解**（SVD）和**线性判别分析**（LDA）等方法可用于处理高维数据，降低维度以提高计算效率和模型的解释性。 ### 5. 预处理与模型选择 - 在使用**逻辑回归**之前通常需要对离散变量进行预处理，而**决策树**则不需要这种预处理步骤。 - **中位数**比**平均数**更能抵抗异常值的影响，因此在存在异常值的数据集中，中位数可能是一个更好的中心趋势度量。 ### 6. 决策树中的属性选择方法 - 决策树中常用的属性选择方法包括**信息增益**、**信息增益率**和**GINI系数**等。 ### 7. 分类问题与回归问题的区别 - **用户流失模型**和**信用评分**属于分类问题，而**身高和体重的关系**则是一个回归问题。 ### 8. 排序算法的时间复杂度 - 常见的排序算法中，**堆排序**、**快速排序**和**归并排序**的平均时间复杂度均为 O(n*logn)，而**冒泡排序**的时间复杂度较高。 ### 9. P-R 曲线、F1-Score、ROC 曲线与 AUC 的定义及其优劣 - **P-R曲线**表示的是查准率与查全率之间的关系，适用于正负样本不平衡的情况。 - **F1-Score**是查准率和查全率的调和平均值，能更好地平衡两者。 - **ROC曲线**展示的是真阳性率与假阳性率之间的关系，适用于评估不同阈值下的分类器性能。 - **AUC**值越高，说明分类器性能越好。 ### 10. Seq2seq 模型的基本思想 - **Seq2seq模型**是一种基于循环神经网络（RNN）的模型，用于处理序列到序列的任务，如机器翻译或文本生成。 - **编码器**负责将输入序列转换成固定长度的向量表示，而**解码器**则根据这个向量生成输出序列。 ### 11. GBDT 与 Xgboost 的异同点 - **GBDT**（Gradient Boosting Decision Tree）与**Xgboost**都属于集成学习中的Boosting方法。 - **Xgboost**相较于GBDT在优化目标函数时使用了二阶导数信息，从而提高了模型的拟合能力和收敛速度。 ### 12. 逻辑回归的特点 - **逻辑回归**在处理缺失值时需要进行预处理，且要求自变量与因变量之间存在线性关系。 - 它在处理二分类问题时表现较好，但处理多分类问题时需要额外的技术支持。 ### 13. 特征归一化的重要性 - 在**逻辑回归**等模型中，特征归一化有助于提高模型的收敛速度和稳定性。 - 而在**决策树**等模型中，由于它们不依赖于距离度量，因此不需要进行特征归一化。 ### 14. AUC 与模型性能 - 当分类模型的AUC值接近0.5时，说明模型的性能较差，几乎不具备区分能力。 ### 15. Dropout 的基本原理与 Bagging 的关联 - **Dropout**技术通过随机丢弃部分神经元来防止过拟合，与Bagging的有放回抽样策略有相似之处，即都能增加模型的多样性。 ### 16. 神经网络的解释性 - 相对于其他机器学习模型而言，**神经网络**的解释性较差，特别是在深层神经网络中，其内部机制往往难以直观理解。 ### 17. 回归模型的诊断 - 当回归模型出现系数符号与预期不符的情况时，可能是由于**多重共线性**导致的。 - 多重共线性指的是模型中的自变量间存在高度相关性，这会导致模型系数的估计不稳定。 ### 18. 提升模型泛化能力的方法 - **Ridge回归**、**Lasso回归**、**ElasticNet回归**以及**Dropout**等技术均可用于提高模型的泛化能力。 这些知识点覆盖了算法设计、模型评估、特征处理等多个方面，对于理解和应用机器学习算法有着重要的指导意义。