《题库机器学习专项面试题型介绍及解析--第1期》由会员分享，可在线阅读，更多相关《题库机器学习专项面试题型介绍及解析--第1期（3页珍藏版）》请在金锄头文库上搜索。
1、1.机器学习常见的算法有哪些？机器学习算法的广义分类大概有三种：监督式学习、无监督学习、强化学习。监督学习由一个目标变量或结果变量（或因变量）组成。这些变量由已知的一系列预示变量（自变量）预测而来。利用这一系列变量，我们生成一个将输入值映射到期望输出值的函数。这个训练过程会一直持续，直到模型在训练数据上获得期望的精确度。监督式学习的例子有：回归、决策树、随机森林、K 近邻算法、逻辑回归等。无监督式学习没有任何目标变量或结果变量要预测或估计。这个算法用在不同的组内聚类分析。这种分析方式被广泛地用来细分客户，根据干预的方式分为不同的用户组。非监督式学习的例子有：关联算法和 K 均值算法。强化学习，
2、这个算法训练机器进行决策。它的工作机制是机器被放在一个能让它通过反复试错来训练自己的环境中。机器从过去的经验中进行学习，并且尝试利用了解最透彻的知识作出精确的商业判断。强化学习的例子有马尔可夫决策过程。常见的十种机器学习算法： 线性回归 逻辑回归 决策树算法 SVM 支持向量机 朴素贝叶斯 k 近邻算法 k-means 算法 随机森林算法 降维算法 Gradient Boosting 和 AdaBoost 算法2.什么是线性回归？ 线性：两个变量之间的关系是一次函数关系的图象是直线，叫做线性。 非线性：两个变量之间的关系不是一次函数关系的图象不是直线，叫做非线性。 回归：人们在测量事物的时候因
3、为客观条件所限，求得的都是测量值，而不是事物真实的值，为了能够得到真实值，无限次的进行测量，最后通过这些测量数据计算回归到真实值，这就是回归的由来。3.线性回归能够解决什么样的问题？对大量的观测数据进行处理，从而得到比较符合事物内部规律的数学表达式。也就是说寻找到数据与数据之间的规律所在，从而就可以模拟出结果，也就是对结果进行预测。解决的就是通过已知的数据得到未知的结果。例如：对房价的预测、判断信用评价、电影票房预估等。4.线性回归要求因变量服从正态分布？我们假设线性回归的噪声服从均值为0的正态分布。当噪声符合正态分布N(0,delta2)时，因变量则符合正态分布N(ax(i)+b,delta
4、2)，其中预测函数y=ax(i)+b。这个结论可以由正态分布的概率密度函数得到。也就是说当噪声符合正态分布时，其因变量必然也符合正态分布。在用线性回归模型拟合数据之前，首先要求数据应符合或近似符合正态分布，否则得到的拟合函数不正确5.什么是逻辑回归？逻辑回归是用来做分类算法的，大家都熟悉线性回归，一般形式是Y=aX+b，y的取值范围是-, +，有这么多取值，怎么进行分类呢？不用担心，伟大的数学家已经为我们找到了一个方法。也就是把Y的结果带入一个非线性变换的Sigmoid函数中，即可得到0,1之间取值范围的数S，S可以把它看成是一个概率值，如果我们设置概率阈值为0.5，那么S大于0.5可以看成是正样本，小于0.5看成是负样本，就可以进行分类了。
