风控建模相关面试问题（转自七月算法）

下面的问题转自七月算法，因为他们只给出了问题 没有给出全部答案，所以我这边备注一下，然后针对每个题自己做一些，会持续更新答案。
01
基础篇（数据结构、代码能力、逻辑思维）

(1) 用代码实现快排，说一下快排主要快在哪？
(2) 二分查找的时间复杂度（O(logn)，最坏O(n)），时间复杂度，空间复杂度怎么计算的
(3) 编写二分查找算法
(4) 1-19个数字随意相加等于20的情况全部列出来，并且每中可能性的数字不能重复
(5) 给定字符串，计算单词数量，字符串中的单词以空格隔开
(6) 将阿拉伯数字转换成人民币大写形式

02
算法知识篇（对算法的理解，使用经验）

(1) 手推SVM，什么是核函数，为什么要用核函数，SVM核函数怎么选择？
(2) 手推LR，并对每一步进行解释：引入sigmoid，逻辑回归的公式，极大似然，求解参数时的梯度下降算法
(3) bagging和boosting的区别
这个具体化其实就是RF和GBDT的区别：a.样本选择方式；b.样例权重；c.预测函数；d.并行计算
(4) SVM和LR的异同点？
相同点：
1.LR和SVM都是分类算法
2.若不考虑核函数，LR和SVM都是线性分类算法(它们的分类决策都是找到一个超平面来划分样本)
3.LR和SVM都是监督学习算法
4.LR和SVM都是判别模型(判别模型会生成一个P(Y|X)的判别函数，而生成模型先计算联合概率P(Y,X),然后通过贝叶斯公式转化为条件概率)
5.LR和SVM在学术界和工业界都广为认知并且引用广泛
不同点：
1.本质上是它们俩loss function不同：
LR:基于概率理论，样本为1 的概率可以用sigmoid函数表示
SVM：基于集合间隔最大化原理，认为存在最大几个分类面为最优分类面
2.支持向量机只考虑局部边界线附近的点(支持向量)，LR受所有的数据点影响
3.非线性问题是，SVM采用核函数机制，而LR通常会采用特征构造，组合交叉特征引入非线性
4.线性SVM依赖数据表达的距离测度，所以需要对数据先做归一化，LR不受影响
5.SVM的损失函数自带正则化项，这是SVM是结构化风险最小化算法的原因，而LR必须另外在损失函数上添加正则化项
(5) 对过拟合、欠拟合的解决办法？L1正则化和L2正则化的区别
(6) 用过哪些树模型，说说bagging和boosting的区别
(7) 讲讲模型的评估指标：ROC/AUC/KS、混淆矩阵
(8) xgboost树生长的精确分裂与近似分裂分别怎么做的
(9) SVM核函数的选择、核函数的主要作用是什么?
(10) 推荐系统的算法了解多少？简单介绍一下协同过滤，怎么计算商品之间的相似度？

03
项目经验篇（项目的真实性，在项目中充当的身份，项目经验）
(1) 常用数据从哪里来，大数据处理的方法和技术用过哪些?
(2) 介绍一下自己的逾期还款率项目。
(3) 特征工程中对时序型特征怎么处理?
(4) 说一说分类和聚类的区别？
(5) 在工作中都会用哪些特征来进行模型的训练，哪些数据比较有效?
(6) 之前做的项目风险是怎么定义的？
(7) 反欺诈项目用了哪些特征，最后怎么判定欺诈行为？
(8) 反欺诈的正负样本怎么确定的？
(9) 对风控模型的理解，完成一个风控系统都需要做哪些工作?
(10) 项目中样本量是多少？正负样本比例如何？怎么解决正负样本不均衡的问题？
这些问题是我在面试过程中记录下来的，并且在公司面试别人的时候也是经常问面试者的。