面向2020届毕业生斗鱼算法岗笔试

8.20的斗鱼算法岗笔试，涵盖的知识点挺多的，不能截屏，凭回忆记一下吧，当做学习笔记了：

题型：单选12道，多选24道，简答2道，编程3道

 

1、共轭梯度法相比最速下降法和牛顿法的特点是？

答案：克服了最速下降法收敛慢的缺点，又避免了牛顿法需要存储和计算Hesse矩阵并求逆的缺点.

2、dropout和bagging boosting stacking中哪一个原理最接近

答案：bagging,李宏毅课程里讲过，训练一次时drop一部分节点，相当于训练一个分类器，然后多次训练多次drop不同的节点，相当于训练了多个分类器，然后共同voting决定最终的输出结果，和bagging思想类似。

3、lasso回归与岭回归的区别？

答案：岭回归与Lasso回归最大的区别在于岭回归引入的是L2范数惩罚项（平方项），Lasso回归引入的是L1范数惩罚项（绝对值）

4、K-means聚类无法聚类以下哪种形状的样本？

答案：螺旋分布。 K-means算法是基于距离测量的，无法聚类非凸形状的样本。

附：凸和非凸定义，

5、已知输入尺寸n，卷积核大小f和个数，stride ，padding，求输出特征图的大小

output =  (n+2p-f)/s    +   1 ,注意，如果这里是个分数，记得向下取整。pooling是向上取整。

6、使用线性回归模型（y=wx+b）来拟合数据。那么使用留一法（Leave-One Out）交叉验证得到的均方误差是多少？

答案：这一题表格都没给，缺内容，原题因该如下

7、kNN在什么情况下效果较好？

答案：样本较少并且典型性好

8、下列方法中可用于降维的是?

答案：PCA,AutoEncoder,LDA,SVD

9、极大似然估计一定存在吗？ 如果存在唯一吗？

答案：本质是求导数解似然方程的过程，解联立后的方程组，方程组不一定有解，如果有解也可能有多个解，比如同时扩大K倍,我暂时这么理解的，估计不准确。

10、lasso回归来拟合某个数据集，数据集特征有100个（X1,X2,...,X100）,现在把X1特征值扩大10倍，然后用相同的正则化参数对Lasso回归进行修正，那么特征X1是被保留了还是被去掉了？

答案：  大特征值=⇒小相关系数=⇒更少lasso penalty =⇒更可能被保留

 

 

简答题：

1、xgboost为什么要用泰勒展开,优势在哪里?

因此，只要损失函数二阶可导，那么就可以根据需要来选择，来作为xgboost的损失函数，xgboost既可以做回归也可以做分类，扩展了xgboost的使用范围。

2、决策树包括分类树和回归树，他们有什么区别？

答案：分类树使用信息增益或增益比率来划分节点；每个节点样本的类别情况投票决定测试样本的类别.

           回归树使用最大均方差划分节点；每个节点样本的均值作为测试样本的回归预测值.

 

 

编程题：

斗鱼超管去附近的商店买苹果，奸诈的商贩使用了捆绑交易，只提供6个每袋和8个每袋的包装(包装不可拆分)。 可是超管现在只想购买恰好n个苹果，超管想购买尽量少的袋数方便携带。如果不能购买恰好n个苹果，超管将不会购买。

输入：苹果数

输出：最少的袋子数

#include<iostream>
using namespace std;
int main() {
	int n, i;
	cin >> n;
	int* dp = new int[n + 1];
	dp[0] = 0;
	dp[1] = -1;
	for (i = 2; i < n + 1; i++) {
		if (i - 8 >= 0 && dp[i - 8] != -1) 
			dp[i] = dp[i - 8] + 1;
		else if (i - 6 >= 0 && dp[i - 6] != -1) 
			dp[i] = dp[i - 6] + 1;
		else
			dp[i] = -1;
	}
	cout << dp[n] << endl;

	for (int j = 0; j < n + 1; j++) {
		cout << dp[j]<<endl;
	}

}