推荐系统常见面试题2

原文链接：https://blog.csdn.net/weixin_38664232/article/details/89975716

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

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？

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。

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。

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]。

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？

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？

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。