AI学习与面试问题汇总（机器学习）

         搜集了一些关于机器学习的一些问题，可以应用于学习时的知识自检或者面试前的准备。但使用前需要注意的是：问题和答案来源于网络，可能存在不全、过时或者错误的情况，需要读者自行判断与思考。所有的答案仅提供参考价值，真正的答案需要自己从实践和探索中获取。

答案的获取方式在文章末尾。

AI算法面试题汇总（机器学习）
熟悉哪些距离度量的方法？写一下距离计算公式？	解释什么是线性回归？
为什么在一些场景中要使用余弦相似度而不是欧氏距离？	有哪些指标，可以检查回归模型是否良好地拟合了数据？
余弦距离是否是一个严格定义的距离?	怎样检测线性回归模型中的过拟合？
距离的定义？哪些度量方法不符合距离的定义	协方差和相关性有什么区别？
在k-means或kNN，为什么不用曼哈顿距离？	LR和SVM的联系与区别？
为什么在高维空间中，欧式距离的度量逐渐失效？	非线性回归与线性回归有何不同？
你了解哪些常见的聚类算法？对聚类了解多少？	R-squared系数有什么缺点？如何解决？
kmeans的原理是什么？	普通最小二乘法和ridge回归有什么区别？
kmeans的损失函数是什么？	普通最小二乘法和lasso回归有什么区别？
kmeans有哪些不同的初始点选择策略，各自有什么缺陷？怎么解决？	LR与线性回归的区别与联系？
kmeans聚的是特征还是样本？特征的距离如何计算？	为什么使用均方根误差 (RMSE)而不是平均绝对误差 (MAE)作为线性回归的衡量指标？
怎么确定聚类数量K？	应用最小二乘法之间的假设是什么？
k-means如何调优	线性回归和逻辑回归有什么区别？
介绍一下手肘法？	为什么要对线性回归使用归一化与标准化？
K-means 中我想聚成100类 结果发现只能聚成98类，为什么？	比较线性回归和决策树模型
k-means的缺点，怎么解决？	什么是多重共线性？如何检测共线性？
dbscan和optics是怎么解决Kmeans的缺点的？	线性回归对数据做了哪些假设？
kmeans，GMM，EM之间有什么关系？	如何检查数据是否遵循所有回归假设？
K-means和KNN算法有什么区别？	线性分类器与非线性分类器的区别以及优劣。
K-means聚类的停止标准是什么？	简单介绍下Logistics回归。
描述K-means算法的步骤	为什么我们不使用均方误差作为逻辑回归中的成本函数？
为什么K-means算法使用欧式距离度量	为什么逻辑回归被称为回归而不是分类？
比较分层聚类（Hierarchical Clustering）和K-means聚类算法	逻辑回归适合用于解决哪些问题？
在使用K-means算法之前，你会怎样预处理数据？	逻辑回归是线性模型还是非线性模型？
列举几种情况，在这些情况下K-means算法难以取得较好效果	逻辑回归和线性回归的区别？
怎样在非常大的数据集上执行K-means算法？	当分类数据中有大量异常值时，比较SVM和Logistic 回归方法
可以利用K-means算法找到数据中的离群值吗？	为什么逻辑回归要用极大似然法来进行参数估计？
聚类算法中，如何判断数据是否被“充分”地聚类，以便算法产生有意义的结果？
维度灾难问题会如何影响K-means算法？	逻辑回归与SVM区别
K-means算法与PCA算法之间有什么联系？	比较决策树和逻辑回归模型
什么是朴素贝叶斯分类器？	比较朴素贝叶斯和逻辑回归
朴素贝叶斯分类器的假设？	逻辑回归可以用于不平衡分类问题吗？
如何理解贝叶斯定理	阐述SVM相对逻辑回归的优点
如何根据训练集大小选择分类器？	如何避免逻辑回归模型中的过拟合
为什么朴素贝叶斯如此“朴素”？	解释随机森林如何为分类和回归问题提供输出？
为什么说朴素贝叶斯是高偏差低方差?	有哪些集成学习的方法？
简单说说贝叶斯定理。	随机森林和决策树的关系？
阐述朴素贝叶斯分类器的工作流程	随机森林算法需要剪枝吗？
朴素贝叶斯分类器的优点是什么？	随机森林有哪些超参数？
朴素贝叶斯分类器的缺点是什么？	请问GBDT和XGBoost的区别是什么？
噪声数据对贝叶斯模型有什么样的影响？	Bagging和Boosting的区别
比较朴素贝叶斯算法与逻辑回归算法	XGBoost如何寻找最优特征？是又放回还是无放回的呢？
贝叶斯统计中，“似然”和“后验概率”有什么区别？	为什么XGBoost要用泰勒展开，优势在哪里？
贝叶斯统计中，“先验概率”和“后验概率”的区别？	哪些机器学习算法不需要做归一化处理？
什么是PCA？	随机森林如何处理缺失值。
可以使用PCA进行特征选择吗？	随机森林如何评估特征重要性。
PCA中的第一、第二个主成分轴是如何选择的？	怎么理解决策树、xgboost能处理缺失值？而有的模型(svm)对缺失值比较敏感？
为什么在执行PCA之前标准化数据很重要？	是否有必要在随机森林中进行交叉验证？
PCA和随机投影（Random Projection）方法有什么区别？	随机森林如何处理缺失值？
PCA和LDA方法有什么区别？	如何提高随机森林的性能？
如何执行主成分分析 (PCA)？	随机森林生成步骤介绍
在大型数据集上，你会选择使用PCA吗？还是有更好的选择？	随机森林不会发生过拟合的原因
PCA和t-SNE有什么区别？	随机森林与SVM的比较
什么是稀疏 PCA？	随机森林有什么优缺点
PCA如何用于异常检测？	什么是SVM？
主成分分析和独立成分分析有什么区别？	SVM中的超平面是什么？
k-Means算法和PCA之间有什么关系？	SVM 中的支持向量是什么？
解释什么是维数诅咒，如何解决这个问题？	什么是hard-margin和soft-margin SVM？
解释为什么数据在高维空间更稀疏？	你知道哪些类型的SVM内核？
维度灾难对训练机器学习模型有什么影响？	为什么使用核技巧？
知道哪些关于超参数调优的方法？	说出SVM的一些优点？
与PCA相比，使用LLE（局部线性嵌入 Locally Linear Embedding）有哪些优点？	对于N维度数据集，支持向量的最小可能数量是多少？(假设数据是完全线性可分的)
为什么在执行PCA之前居中和缩放数据很重要？	SVM中的hinge loss是什么？
解释什么是SVD降维	讲述设计SVM分类器时常用的超参数
KNN算法是否会受到维度灾难的影响？具体描述；	比较KNN算法和SVM算法
聚类和降维有什么区别和联系？	使用SVM做分类和回归有什么区别？
深度神经网络如何缓解维数诅咒的影响？	如何使用SVM进行异常检测？
解释什么是t-SNE（t-Distributed Stochastic Neighbour Embedding）方法	比较SVM和logistic回归
解释用于降维的局部线性嵌入（LLE）算法	比较随机森林和SVM，什么情况下优先使用随机森林（或svm）？
线性 SVM是否会遭受维数灾难？	比较svm和deep learning
维度灾难会如何影响K-means算法？	哪些情况不适合用SVM?
解释ICA算法，分析它与PCA方法的不同之处	什么是多项式内核？
描述什么是概率分布	决策边界和超平面有什么区别?
伯努利分布和二项分布有什么区别？	冗余数据会怎样影响SVM的性能？
什么是泊松过程？	阐述拉格朗日方法在SVM算法中的作用
随机变量的常用特征	超参数C的值如何影响 SVM?
什么是参数估计？	超参数gamma的值如何影响 SVM?
参数估计的常用方法	支持向量数与SVM分类器性能之间是否存在关系?
最大似然估计的优缺点	什么是结构化支持向量机？
最大似然估计的一般步骤	说出使用支持向量机与逻辑回归进行分类时，分别的优势
如何将偏态分布转换为近似的正态分布？	SVM中参数C和gamma的含义
累积分布函数(CDF)和概率密度函数(PDF)有什么区别？	如何使用SVM处理非线性可分数据的分类
贝叶斯估计和最大似然估计有什么区别？	能直观地解释一下PAC学习理论吗？
如何检查两个事件是否独立？	支持向量机可以用于异常值检测吗？
怎么检测特征中的异常值？	SVM什么时候表现不好？
如何理解组合特征？	SVM如何选择内核?
如何将偏态分布转变为正态分布？	请简要说说一个完整机器学习项目的流程。
无监督学习可以帮助解决哪些常见的机器学习问题？	生成式模型与判别式模型有什么区别？列出两种模型的一个例子
特征工程与特征选择之间有什么区别？	什么是偏差和方差？
解释对偶的概念。	为什么会发生过拟合和欠拟合,怎么解决模型的过拟合和欠拟合的问题？
如何进行特征选择？	为什么增加或减少样本会影响过拟合问题?
数据预处理。	平均绝对误差 （MAE） 与均方误差 （MSE） 有什么区别？
你知道有哪些数据处理和特征工程的处理？	如何评价聚类结果的好坏（知道哪些聚类的评估指标）？
为什么对特征的增减会影响过拟合问题?	谈谈判别式模型和生成式模型？
为什么约束模型的复杂程度会缓解过拟合问题?	简单说下有监督学习和无监督学习的区别？
为什么需要对数值类型的特征做归一化？	K近邻算法的注意事项和优缺点是什么？
什么是组合特征？如何处理高维组合特征？	KNN算法以及流程
简单说下有监督学习和无监督学习的区别？	高斯混合模型的核心思想是什么？
数据的同方差性和异方差性有什么区别？	GMM是如何迭代计算的？为什么kmeans，GMM，EM满足上面描述的方式？（EM算法数学原理）
使用梯度下降法或者最小二乘法求解线性回归问题，分别有哪些优势？	KNN算法是否存在损失函数？

答案获取方式 :

        方式一：https://download.csdn.net/download/2303_79001442/88318206

        方式二：关注公众号，后台发送  “AI问题”  获取。