wwwHe同学面试经验分享（下）

 

本篇文章为wwwHe同学的面经分享的下篇，这里给出面试会问到的问题以及部分问题的答案解析，希望能帮助现在还在找工作找实习的朋友们顺利拿下大厂offer。

腾讯调剂后一面

1、项目三连（挖的不是很深，因为面试官有上一次面试的记录）；

2、LGBM特征重要性的衡量指标；

答：主要是total_cover、total_gain和weight，total_cover是在所有树中，某特征在其所有节点上分割样本的个数总和，total_gain是在所有树中，某特征在其所有节点上分裂所带来的增益总和（信息熵或者基尼不纯度），weight是某个特征在所有树中的分裂次数总和。

 

 

3、标签不均匀问题如何解决；

答：主要有采样法，即欠采样、过采样以及SMOTE（基于插值构造样本），像CV、NLP领域也可以数据增强来平衡标签，另外对于二分类问题还可以通过控制阀值来划分样本，除此之外还有模型融合、F1和focalloss等方法解决标签不平衡问题。

 

 

4、level-wise和leaf-wise的原理、区别以及会产生什么后果；

答：level-wise 策略生长树，记一次分裂同一层的叶子，不加区分的对待同一层的叶子，而实际上很多叶子的分裂增益较低没必要进行分裂，带来了没必要的开销，而leaf-wise每次从当前所有叶子中，找到分裂增益最大的一个叶子，然后分裂，如此循环。因此同Level-wise相比，在分裂次数相同的情况下，Leaf-wise可以降低更多的误差，得到更好的精度。但是，当样本量较小的时候，leaf-wise 可能会造成过拟合。

 

 

5、过拟合的解决方案；

答：常见的有正则化、早停、剪枝、dropout、BN、bagging、加噪声等

 

 

6、算法一：最大子序列和（leetcode.53）

7、算法二：快速排序

总结，面试官很温柔，谢轻虐！

腾讯调剂后二面

1、项目三连（同样挖的不是很深）；

2、评价项目中其他人的价值；

3、如何解释极大似然估计？能否用更通俗的话解释？让没学过概率论的人听懂。

答：似然指已知数据推断参数，而极大似然估计即在已知数据求最大可能的参数（不知道够不够通俗易懂）

 

4、梯度下降改进的优化方法，步长调整包括哪些、梯度方向修正包括哪些、综合方法Adam；

5、集成学习bagging、Boosting、Stacking；

• bagging该方法通常考虑的是同质弱学习器，相互独立地并行学习这些弱学习器，并按照某种确定性的平均过程将它们组合起来。

• boosting，该方法通常考虑的也是同质弱学习器。它以一种高度自适应的方法顺序地学习这些弱学习器（每个基础模型都依赖于前面的模型），并按照某种确定性的策略将它们组合起来。

• stacking，该方法通常考虑的是异质弱学习器，并行地学习它们，并通过训练一个「元模型」将它们组合起来，根据不同弱模型的预测结果输出一个最终的预测结果。

 

 

算法：有交易次数限制的最佳股票买卖时机 Leetcode.188；

 

添加助手微信回复研究方向或专业即可加入我们的微信交流群或QQ交流群

 

 

 

 

扫码关注我们

 

携手2021年，为梦想启程！