1-1 机器学习基础：机器学习项目流程、特征向量、距离公式

1、简述机器学习项目的一般流程

2、哪些机器学习算法需要做特征归一化，哪些不需要，为什么

3、One-hot的作用是什么？为什么不直接使用数字作为表示

4、什么是数据不平衡，如何解决

5、请比较欧式距离与曼哈顿距离

---

1、简述机器学习项目的一般流程

机器学习一般流程为：

（1）机器学习方案的整体构建和制定

（2）数据洞察、预处理：数据采集、数据洞察（探索性分析）、数据标注（人工标注、远程监督、埋点日志挖掘等）、数据预处理、数据转换/特征工程

（3）数据集的划分：训练集、验证集、测试集的划分和构建，面向领域场景的测试集构建（高频测试集、对抗样本测试集、用户反馈样本集等）

（4）模型开发：模型的训练、验证、建模方式和模型选型的调优、超参数调整

（5）模型部署与上线： 模型打包、模型预测时负载、环境、ABtest、监控模型线上的表现

---

2、哪些机器学习算法需要做特征归一化，哪些不需要，为什么

需要归一化：逻辑回归、神经网络、KNN，消除特征数值分布的不统一、有利于权重及权重梯度更新的学习与计算，减少抖动稳定同步下降，加快收敛

不需要归一化：决策树，仅考虑特征的条件选择与数值大小本身无关

---

3、One-hot的作用是什么？为什么不直接使用数字作为表示

主要用于编码类别特征，用稀疏向量来表达特征，特征之间是平等的没有距离远近的关系。避免数字导致距离计算等数值问题。特征之间是互斥的。

---

4、什么是数据不平衡，如何解决

不同类别的样本数量不均匀，

模型倾向于预测样本标签分布较多的值，对样本少的类别预测性能下降

（1）数据增广 （2）采样，类别少的加大采样率 （3）loss改进 如 focal loss 

---

5、请比较欧式距离与曼哈顿距离

欧式距离：计算两个点之间的平方和，然后开根号

曼哈顿距离：计算各维度差异的绝对值的和，各维度的距离有相同的权重。用于地图、导航应用