机器学习、数据挖掘、数据分析岗面试总结

算法面试注意细节

算法工程师岗位（机器学习、数据挖掘、数据分析等）面试主要包含两大块：首先是基本的 Coding 能力；其次就是机器学习算法的理论与应用能力。

基本的 Coding 能力考察，主要是让你写一些数据结构与算法设计的常见算法题，比如链表类、二叉树、排序、查找、动态规划等。这方面建议《剑指 Offer》+ LeetCode 结合的方式进行练习。

机器学习算法理论与应用能力不用说，应付面试看本课程就行了。当然师父领进门，修行在个人，想要在这方面深造，还需要大量实践和广泛学习优秀的论文和开源源代码。

算法面试常见问题

1.模型融合方法有哪些
主要有以下几个：

Voting
Averaging
Bagging
Boosting
Stacking

2.特征选择方法
主要有：

去掉取值变化小的特征
递归特征消除法
基于学习模型的特征排序
线性模型和正则化

3.学习项目的一般步骤
主要包括：

问题抽象，模型选择；
数据获取；
特征工程（数据清洗，预处理、采样等）；
模型训练，调优；
模型验证、误差分析；
模型融合；
模型上线。

4.推导 LR 算法

5.多参数调参方法
网格化搜索： 对于多个参数，首先根据经验确定大致的参数范围。然后选择较大的步长进行控制变量的方法进行搜索，找到最优解后；然后逐步缩小步长，使用同样的方法在更小的区间内寻找更精确的最优解。

6.XGBoost 算法的主要参数及其作用