机器学习面试题整理

持更中。。。（最近电脑卡得要死）
主要focus在场景题上

一、2015百度校招笔试题
（1）垃圾邮件分类问题
1. 垃圾邮件分类特征？
2. 训练集中99%非垃圾、1%垃圾，训练模型视为100%非垃圾，准确率？召回率？
3. 在实际的应用场景中，尽可能地找回垃圾邮件，应该怎么办？
（2）求元素之和最大的子数组 （解答：dp）
（3）从字符串流中随机选择一个字符串
【从字符串流中随机选择一个字符串】
　　解题的核心是在幸存的字符串中挑选，并在过程中不断更新。
　　你打开文件并保存第一个字符串，此时有了一个备选字符串，并有100%的可能性选中它。保存这个字符串，继续读入下一个字符串，这样就有了2个备选字符串，选中每个的可能性都是50%。选中其中之一并保存，然后丢弃另一个。再读入下一个字符串，按照新字符串的33%原先幸存字符串67%的概率，在两者之间选择一个，然后保存新选中的字符串。
【扩展】
　　如何从字符串流中随机选取1000个字符串。
　　对于数据流中的前1000个关键字，显然都要放到数组中。
　　对于数据流中的的第n（n>1000）个关键字，我们知道这个关键字被随机选中的概率为1000/n。所以我们以1000/n的概率用这个关键字去替换数组中的随机一个。这样就可以保证所有关键字都以1000/n的概率被选中。
（3）蒙塔卡罗模拟
（4）CTR问题
1. 广告中的排序特征是one-hot好，还是标准化好（我觉得是标准化）
2. 初始值的设置：广告点击率的平均值or设为1 (我觉得是广告点击率的平均值）
3. 训练样本拟合较好而测试样本拟合较差的原因（过拟合，或者用到了label特征）
4. auc计算方式（ROC曲线下阴影面积）