【面试必备】奉上最通俗易懂的XGBoost、LightGBM、BERT、XLNet原理解析

夕小瑶

于 2020-04-28 21:45:10 发布

阅读量1.7k

点赞数

一只小狐狸带你解锁炼丹术&NLP 秘籍

在非深度学习的机器学习模型中，基于GBDT算法的XGBoost、LightGBM等有着非常优秀的性能，校招算法岗面试中“出镜率”非常高。这些经典的机器学习算法不仅是数据科学竞赛神器，在工业界中也被广泛地使用。Microstrong最近就负责使用GBDT、XGBoost等集成模型做推荐系统的点击率预估（CTR），如果让我当面试官面试自己，那我会由浅入深依次考察：

GBDT的原理（理论基础）
决策树节点分裂时如何选择特征，写出Gini index和Information Gain的公式并举例说明（理论基础）
分类树和回归树的区别是什么？（理论基础）
与Random Forest作比较，并以此介绍什么是模型的Bias和Variance（理论基础）
GBDT里面的决策树都是利用回归树解决分类和回归问题，请问GBDT中利用回归树是怎么做到分类的？目标（损失）函数是什么形式？（理论基础）
XGBoost的原理（理论基础）
XGBoost的参数调优有哪些经验（工程能力）
XGBoost的正则化是如何实现的（工程能力）
XGBoost的并行化部分是如何实现的（工程能力）
为什么GBDT预测点击率一般都会出现严重的过拟合现象（业务理解）
如果选用一种其他的模型替代XGBoost，你会选用什么？（业务理解和知识面）

我们通过上面的几个问题，考察了面试者理论基础、工程能力以及对业务的理解，检测面试者是否真的对GBDT、XGBoost有比较深入的理解。如果大家对上面的问题还一知半解，贴心的Microstrong同学为大家整理了自己从回归树到GBDT、XGBoost再到LightGBM、CatBoost的原创算法解析文章：

当然，深度学习也是人工智能算法工程师必备的基础技能。入行算法工程师后，怎样提升我们的掘金能力呢？最核心的还是：技术硬，懂产品。

在目前钻研的领域持续加码，保持深耕，不断学习和挖掘自身潜力。我们在科学炼丹的时候，都会用到Dropout或Batch Normalization（BN）等基本的深度神经网络优化方法。但是，深度学习技术并非一成不变，努力提升技术水平要成为一种习惯。最高水准当然是追逐最先进的技术，比如，ELMo、Transformer、BERT和XLNet等明星模型。

如果让我当面试官去判断一个面试者的深度学习水平，那我会由浅入深依次考察：

Dropout部分

讲Dropout的基本原理；（理论基础）
Dropout训练过程和预测过程分别如何保证一致性；（工程能力）
Dropout本质上的Bagging的思想；（理论基础）
Bagging思想和Boosting思想分别怎么解决模型的偏差和方差问题；（理论基础）
偏差和方差在模型的评估表现代表了什么；（理论基础）

BN部分

什么是BN？
BN核心公式是什么？
BN中均值、方差通过哪些维度计算得到？
训练与推理时BN中的均值、方差分别是什么？
Batch Normalization的优点？
BN与Layer Normalization、Weight Normalization、Cosine Normalization、Instance Normalization、Group Normalization、Cross-Iteration Batch Normalization、Filter Response Normalization区别？

当然，ELMo、Transformer、BERT和XLNet等较新的模型也会问一下，考察面试者是否有Follow深度学习中最新的研究工作。同样地，贴心的Microstrong同学为大家整理了自己关于上面问题的学习笔记：

总之，一篇文章总结不完关于机器学习、深度学习、自然语言处理和推荐系统相关的所有面试题，Microstrong号主花了点时间分类整理了一下自己公众号里的精华文章，欢迎大家关注和阅读：