推荐系统算法面试题2

落日映苍穹つ 2022-02-03 05:27 291阅读 0赞

## 15、Bias和Variance的区别 ##

Bias度量了学习算法的期望预测与真实结果的偏离程度，即刻画了算法本身的拟合能力。

Variance度量了同样大小的训练集的变动所导致的学习性能变化，即刻画了数据扰动所造成的影响。

## 16、对于支持向量机，高斯核一般比线性核有更好的精度，但实际应用中为什么一般用线性核而不用高斯核？ ##

如果训练的样本的量很大，训练得到的模型中支持向量的数量太多，在每次做预测时，高斯核需要计算带预测样本与每个支持向量的内积，然后做核函数变换，这回非常耗时；而线性核只需要计算![X^\{T\}+b][X_T_b]

## 17、高斯混合模型中，为什么各个高斯分量的权重和要保证为1？ ##

为了保证这个函数是一个概率密度函数，即积分值为1。

## 18、为什么很多时候用正太分布来对随机变量建模？ ##

现实世界中很多变量都服从或近似服从正太分布。中心极限定理指出，抽样得到的多个独立同分布的随机变量样本，当样本数趋向于正无穷时，它们的和服从正太分布。

## 19、协同过滤算法如何实现，用户特征向量用哪些用户属性表示，如何挖掘更多的用户信息？ ##

![20190508214251117.PNG][]

## 20、说出计算用户之间相似度的三种方式？ ##

**Jaccard相似度**

杰卡德相似度（Jaccard similarity coefficient），也称为杰卡德指数(Jaccard similarity)，是用来衡量两个集合相似度的一种指标。Jaccard相似指数被定义为两个集合交集的元素个数除以并集的元素个数。

![20190508214839745.PNG][]

**余弦相似度**

将向量根据坐标值，绘制到向量空间中，求得它们的夹角，并求得夹角之间的余弦值，此余弦值就可以用来表征，这两个向量之间的相似性。夹角越小，余弦值越接近于1，则越相似。

![20190508215158457.PNG][]

**Pearson系数（皮尔森系数）**

皮尔逊系数也称为积差相关（或积矩相关），是英国统计学家皮尔逊提出的一种计算直线相关的方法。取值范围\[-1.1\]。

![20190508215502957.PNG][]

## 21、说出你的推荐算法的效果，如何提升推荐准确率，如何知道推荐结果是否正确？ ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODY2NDIzMg_size_16_color_FFFFFF_t_70][]

## 22、数据预处理中，预处理哪些数据？如何预处理？ ##

协同过滤的数据源主要是收集用户数据，如用户的行为，而预处理的工作是数据归一化、降维和去噪等。

**归一化**

在使用用户行为时，针对不同的操作，可能需要加权。有些特征量级可能非常大，需要对数据做归一化，将其限制在一个相同的取值范围内。

**度量数据的相似度**

观察哪些特征之间相关性比较高，后期可以考虑做特征组合。

**正负样本不均衡**

采用下采样，减少负样本数目。

**降维**

缓解数据稀疏性问题。

**去噪**

采用去噪，减少异常操作（误操作/离群点）对推荐系统结果的影响。

## 23、训练决策树时的参数是什么？ ##

*  criterion 分裂标准 分类---“gini”；回归---“mse” entropy：分裂节点时的评价指标是信息增益
 *  max\_depth：树的最大深度。如果为None，则深度不限，直到所有的叶子节点都是纯净的，即叶子节点中所有的样本点都属于一个类别。或者每个叶子节点样本数目小于min\_sample\_split
 *  min\_sample\_split：分裂一个叶子节点所需要的最小样本数
 *  min\_sample\_leaf：每个叶子节点包含的最小样本数
 *  min\_weight\_fraction\_leaf：叶子节点中样本的最小权重
 *  max\_feature：分类时考虑的最多特征数
 *  random\_state：随机数生成器的种子
 *  max\_leaf\_nodes：最大叶子节点数量
 *  min\_impurity\_split：树生长过程中过早停止的阈值。
 *  presort：是否需要提前排序数据

## 24、在决策树的节点处分割的标准是什么？ ##

DecisionTreeClassifier()----criterion：'gini' or 'entropy'(default =gini)，前者是基尼系数，后者是信息熵（信息增益）

DecisionTreeRgrossor()----criterion：'mse' 均方误差

## 25、随机森林的优点？ ##

**1.生成方式**

随机生成的具有多棵决策树的分类器。输出结果由多棵树的输出结果加权或者取平均而成。

**2.随机性体现在两个方面**

1.  训练数据采用bootstrap方式，从数据集中取出一个样本数为N的训练集
2.  在每个节点上，随机选择所有特征的一个子集

**3.优点**

1.  在很多数据集上表现良好
2.  能够处理高纬度的数据，且不用做特征选择（特征子集是随机选择的）
3.  训练速度快，容易做成并行化方法（训练时，树与树之间相互独立）
4.  训练过程中，能检测到特征间的相互影响

## 26、介绍下boosting算法 ##

boosting思路：通过训练多个若学习器，最后整合为一个强学习器的过程

从两个方面考虑：

1.  增大训练集中，分错样本的权重，减小分对样本的权重
2.  增大分错率低的学习器的权重，减小分错率高的学习器的权重。

## 27、SVM中用到了哪些核？SVM中的优化技术有哪些？ ##

![20190509101229638.PNG][]

## 28、GBM和随机森林都是基于树的算法，它们有什么区别？ ##

1.  RF采用bagging技术做出预测；GBM采用boosting技术做出预测
2.  bagging技术，数据集采用bootstrap随机采样的方法被划分为n个样本，对多棵树的结果进行加权或者取平均；boosting在第一轮预测之后，增加分类出错的样本权重，减小错误率高的基学习器（树）的权重，持续进行，一直到达停止标准。
3.  RF采用减小方差提高模型精度，生成树之间没有相关性；GBM在提高精度的同时降低了偏差和方差，某一个基学习器是以上一个基学习器的结果为基础，基学习器之间具有相关性。

[X_T_b]: https://private.codecogs.com/gif.latex?X%5E%7BT%7D&plus;b
[20190508214251117.PNG]: /images/20220203/c8b64e1cab614871875ed8fe76230fab.png
[20190508214839745.PNG]: /images/20220203/9bb9d5004ec041fbb33cd634c65571d7.png
[20190508215158457.PNG]: /images/20220203/3f3328a60c174814a17ab466b884e671.png
[20190508215502957.PNG]: /images/20220203/ee1d04bcd1374416b3cf27ddb061e4da.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODY2NDIzMg_size_16_color_FFFFFF_t_70]: /images/20220203/7a10aeff7370454084c7e3ec90a2d578.png
[20190509101229638.PNG]: /images/20220203/dca5b2e1411a46528a017ee3eb452115.png