我所归纳的机器学习常见面试题

1. 逻辑回归

1.1 请说出逻辑回归的损失函数，并且推导出逻辑回归损失函数梯度。
1.2 如果数据维度较大，比如上亿维度，逻辑回归应当怎样处理？
1.3 如果需要做在线计算该怎么办？
1.4 逻辑回归在什么情况下失效？

2. 朴素贝叶斯

2.1 请给出朴素贝叶斯方法的公式
2.2 请用代码实现朴素贝叶斯进行文本分类

3. SVM

3.1 请介绍 SVM 的原理
3.2 如果用 SVM 处理非线性数据该怎么办？

4. 决策树

4.1 请用代码实现决策树
4.2 决策树跟其他分类算法相比有什么优缺点？

5. Ensemble Method

5.1 请介绍随机森林的原理
5.2 请介绍 GBDT 的原理
5.3 请介绍 Adaboost 的原理
5.4 为什么对于很多问题 Ensemble Method 比单个算法分类器取得的效果更好？

6. K-Means

6.1 请用 Hadoop / Spark 实现并行版本的 k-means
6.2 K-means 与 Topic Model 是什么关系？
6.3 K-means 算法中如何选择 K，能不能不选择 K ?

7. Gaussian Mixture Model

7.1 请说明 GMM 的原理
7.2 GMM 最后如何判断某个点属于哪一类？

8. Topic Models

8.1 请说明 LDA 的基本原理
8.2 LDA 怎样选择 topic 的数量，能否不选择 topic 的数量？

9. 其他问题

9.1 请说明梯度下降与随机梯度下降的区别?
9.2 请问应当如何处理不均衡分类问题?<