ML一些题目

1. ”点击率问题”是这样一个预测问题, 99%的人是不会点击的, 而1%的人是会点击进去的, 所以这是一个非常不平衡的数据集. 假设, 现在我们已经建了一个模型来分类, AUC达到了0.98,  我们可以下的结论是 : （C）

A. 模型AUC还不够高，需要0.99以上才符合预期

B. 模型已经够好了，不需要做调优了。

C. 模型样本需要做缩减，特征或者评估方法需要改进

D. 以上都不对

2. 对于随机森林和GradientBoosting Trees, 下面说法正确的是: (B)

A.在随机森林的单个树中, 树和树之间是有依赖的, 而gbdt 中的单个树之间是没有依赖的

B.这两个模型都使用随机特征子集, 来生成许多单个的树。

C.我们可以并行地生成gbdt单个树, 因为它们之间是没有依赖的，gbdt 训练模型的表现总是比随机森林好

D. GradientBoosting Trees通常比随机深林速度快。

3. 以下说法正确的是 :（C）

A. 一个机器学习模型，如果有较高准确率，总是说明这个分类器是好的

B. 如果增加模型复杂度， 那么模型的测试错误率总是会降低

C. 如果增加模型复杂度， 那么模型的训练错误率总是会降低

D. 我们不可以使用聚类“类别id”作为一个新的特征项， 然后再用监督学习分别进行学习

4. 对应GradientBoosting tree 算法， 以下说法正确的是 :（A,C）

A.当增加最小样本分裂个数，我们可以抵制过拟合

B.当增加最小样本分裂个数，会导致过拟合

C.当我们减少训练单个学习器的叶子数量，我们可以降低variance

D.当我们减少训练单个学习器的叶子数量，我们可以降低bias

6.  logistic regression模型训练中如果发现模型

训练集合效果太差，可以用哪些方法？（A，D）

测试集合效果太差，可以用哪些方法？（B，C）

A. 换随机森林或者gbdt

B. 增大数据集合

C. 加L1或者L2正则

D. 做特征工程，增加特征或者特征组合

7.. 有A,B,C三个门，其中有一扇后面是黄金,另两扇后面是空的。 你首先选择了B，现在的其中一扇被翻开,这个代号是A为空的,你该不该换成C?为什么？

   答：换。概率不同一个1/3,一个2/3

8. 世界上每十万人中就有一人是艾滋病患者。某一种药物可以帮助检测艾滋病，如果一人真是艾滋病，可以百分百检测出来，而如果一个人没有艾滋病，它的检测出错的概率是1%。请问利用这种检测药物，监测正确的概率有多高？

全概率问题，设艾滋患病为A，无患病为B；检测结果艾滋为a，那么 P(a|A)=1, P(a|B)=0.01。

P(A) = 0.00001

P(B) = 1 - P(A)

检测正确的概率为 :

P(A|a) = P(A,a)/P(a) = P(a|A)p(A)/(P(a|A)P(A)+P(a|B)P(B))

9. 已知A,B厂生产的产品的次品率分别是1%和2%，现在由A,B产品分别占60%、40%的样品中随机抽一件，若取到的是次品，求此次品是B厂生产的概率。

P(A)=0.6,P(B)=0.4,P(次/A)=0.01,P(次/B)=0.02

P(B/次) = P(B,次)/P(次) = P(次|B)P(B)/(P(次|A)P(A)+P(次|B)P(B)) = 4/7

10. 给定一个二分类集合 y={0,1} , X 数据集合在五百万条左右，特征集合既有category特征，也有连续性特征，正负样本比1:20左右，构建一个分类模型，请问：

1. 你会选用什么算法？为什么？

2.  请描述建模步骤

1. 算法大家都熟悉，能回答出深度学习算法的加分
2. 请参考ctr建模步骤，包括分析、特征处理、特征选择、模型调参、模型评估、上线步骤等，回答越全加分越多。

11. 如何做feature selection，有哪些方法？

1. 权重评估法，如卡方、相关性、信息增益等
2. 异常特征剔除，如方差、sparse指标
3. 正则
4. rf或者gbdt的权重
5. 暴力筛选

12. 请对比一下Sigmoid, Relu, Tanh 激活函数的异同

从以下2个方面回答

1. 函数形式上
2. 梯度上

13. 解释一下AUC

14. 常见的损失函数有哪些？请给出数学表达式

20. 不使用math库，求解 x^2-2=0 的解， python或者 c都可以。

牛顿、二分

21. 给定特征集合X={x1,x2,x3,…,xn}, 输入K，求解这些特征的K阶组合特征，python或者c都可以

参考答案：python直接调库，c加分

22. 输入list X={x0…xn}, 计算pi=softmax(xi), python或者c都可以

参考答案：注意数值计算危险边界

23. 用户行为表tracking_log，大概字段有（user_id‘用户编号’,opr_id‘操作编号’,log_time‘操作时间’），请统计：

  1、计算每天的访客数和他们的平均操作次数。

  2、统计每天符合以下条件的用户数：A操作之后是B操作，AB操作必须相邻。

24. 用户新增留存分析,给定用户登陆表user_log，大概字段有（user_id‘用户编号’，log_time‘登陆时间’），求每天新增用户数，以及他们第2天、30天的回访比例 

7. 请给出分析用户流失的思路

   1）明确问题：某时间段为什么流失（需要先定义好流失）

   2）两层模型定位问题：按用户画像、时间、来源渠道等分群，计算每个群体的流失率，确定到底是哪些群体超出自然流失率了

   3）分析原因：这里流失率指标不需要拆解，因此直接分析原因

      a. 内部：发生流失率变化的时候是否进行了什么行为，技术、产品、运营、营销还是大的定位发生变化？细分

b. 外部：PEST等方法，政策环境、竞争对手、经济趋势、消费偏好、技术变化

2 .数据分析。用户行为表tracking_log，大概字段有（user_id‘用户编号’,opr_id‘操作编号’,log_time‘操作时间’），请统计：

  1、计算每天的访客数和他们的平均操作次数。

  2、统计每天符合以下条件的用户数：A操作之后是B操作，AB操作必须相邻。

 

1. 根据要求写出SQL

表A结构如下：

    Member_ID（用户的ID，字符型）

    Log_time（用户访问页面时间，日期型（只有一天的数据））

    URL（访问的页面地址，字符型）

要求：提取出每个用户访问的第一个URL（按时间最早），形成一个新表（新表名为B，表结构和表A一致）

7 市场部选择部分用户来进行产品A的短信推广，获取了用户在时间窗口内是否购买了A产品的数据。数据挖掘同学通过这些已知的是否购买数据，用来判断其他用户的购买倾向，这在数据挖掘中属于什么任务？B

A、聚类

B、预测

C、探索性分析

D、关联规则

8 公司读书项目发起一次促销推广活动，从哪些方面来评价这次活动是否成功？

   1）明确目标：拉新？促活？

   2）根据目的确定核心指标

   3）效果评估：

      a. 自身比较：活动前与活动中比较

      b. 与预定目标比

      c. 与同期其它活动比

      d. 与往期同类活动比

   4）持续监控：

      a. 检查活动后情况，避免透支消费情况发生

      b. 如果是拉新等活动，根据后续数据检验这批新客的质量

2数据分析。用户行为表tracking_log，大概字段有（user_id‘用户编号’,opr_id‘操作编号’,log_time‘操作时间’），请统计：

  1、计算每天的访客数和他们的平均操作次数。

  2、统计每天符合以下条件的用户数：A操作之后是B操作，AB操作必须相邻。

 

8 双11 刚过，预测一下下个月的淘宝销售情况，你从那几个方面去分析？

1）思考：淘宝很大，如果用整体数据算的话会忽略了很多类目变化的信息；如果细分到很小的类目，那么数据波动较大，预测不准确。因此需要先确定一个细分的范围，一方面能涵盖类目的信息，一方面数据要比较稳定（如一阶差分满足正态分布等），  双十一刚过；竞争对手变化等

2）分析：

a. 从数字到数字法：直接用之前的数据，建立时间序列模型，预测下个月的淘宝销售数据，加总后得到销量

b. 分解法：由于淘宝销售会受到季节与节日的影响，因此直接从数字到数字模型的预测能力有限。分解销售数据，销量 = 流量 * 转化率（太细分了的话工作量太大），参考以往数据和下个月的实际情况（如有双十二等），对流量和转化率进行预估，加总后得到销量