BAT機器學習面試1000題（461~465題）

點擊上方  

?

BAT機器學習面試1000題（461~465題）

461題

461、類域界面方程法中，不能求線性不可分情況下分類問題近似或精確解的方法是（ ）

A、勢函數法

B、基於二次準則的H-K演算法

C、偽逆法

D、感知器演算法

點擊下方空白區域查看答案▼

正確答案是：D

解析：

線性分類器的設計就是利用訓練樣本集建立線性判別函數式，也就是尋找最優的權向量的過程。求解權重的過程就是訓練過程，訓練方法的共同點是，先給出準則函數，再尋找是準則函數趨於極值的優化方法。ABC方法都可以得到線性不可分情況下分類問題近似解。感知器可以解決線性可分的問題，但當樣本線性不可分時，感知器演算法不會收斂。

462題

下列哪個不屬於CRF模型對於HMM和MEMM模型的優勢

A、特徵靈活

B、速度快

C、可容納較多上下文信息

D、全局最優

點擊下方空白區域查看答案 ▼

正確答案是： B

解析：

HMM模型是對轉移概率和表現概率直接建模，統計共現概率。而MEMM模型是對轉移概率和表現概率建立聯合概率，統計時統計的是條件概率。CRF是在給定需要標記的觀察序列的條件下，計算整個標記序列的聯合概率分布，而不是在給定當前狀態條件下，定義下一個狀態的狀態分布。MEMM容易陷入局部最優，是因為MEMM只在局部做歸一化。CRF模型中，統計了全局概率，在做歸一化時，考慮了數據在全局的分布，而不是僅僅在局部歸一化，這樣就解決了MEMM中的標記偏置的問題。    

CRF沒有HMM那樣嚴格的獨立性假設條件，因而可以容納任意的上下文信息，特徵設計靈活。CRF需要訓練的參數更多，與MEMM和HMM相比，它存在訓練代價大、複雜度高的缺點。

463題

Nave Bayes是一種特殊的Bayes分類器,特徵變數是X,類別標籤是C,它的一個假定是（）

A、各類別的先驗概率P(C)是相等的

B、以0為均值，sqr(2)/2為標準差的正態分布

C、特徵變數X的各個維度是類別條件獨立隨機變數

D、P(X|C)是高斯分布

點擊下方空白區域查看答案▼

正確答案是：C

解析：

樸素貝葉斯的基本假設就是每個變數相互獨立。

464題

在HMM中,如果已知觀察序列和產生觀察序列的狀態序列,那麼可用以下哪種方法直接進行參數估計（）

A、EM演算法

B、維特比演算法

C、前向後向演算法

D、極大似然估計

點擊下方空白區域查看答案▼

正確答案是：D

解析：

EM演算法： 只有觀測序列，無狀態序列時來學習模型參數，即Baum-Welch演算法 

維特比演算法： 用動態規劃解決HMM的預測問題，不是參數估計 

前向後向演算法：用來算概率 

極大似然估計：即觀測序列和相應的狀態序列都存在時的監督學習演算法，用來估計參數 

注意的是在給定觀測序列和對應的狀態序列估計模型參數，可以利用極大似然發估計。如果給定觀測序列，沒有對應的狀態序列，才用EM，將狀態序列看不不可測的隱數據。 

題目解析參考自：@BlackEyes_SGC

465題

假定某同學使用Naive Bayesian（NB）分類模型時，不小心將訓練數據的兩個維度搞重複了，那麼關於NB的說法中不正確的是？

點擊下方空白區域查看答案 ▼

正確答案是： B

解析：

 Fisher線性判別函數是將多維空間中的特徵矢量投影到一條直線上，也就是把維數壓縮到一維。尋找這條最優直線的準則是Fisher準則：兩類樣本在一維空間的投影滿足類內儘可能密集，類間儘可能分開，也就是投影后兩類樣本均值之差儘可能大，類內部方差儘可能小。一般而言，對於數據分布近似高斯分布的情況，Fisher線性判別準則能夠得到很好的分類效果。

題目來源

今日推薦

【

推薦系統實戰

9月29日即將開班

首次全面公開

推薦技術

在BAT中的核心應用  

從零開始搭建一個完整的推薦系統

BAT一線講師 核心演算法講解 九大實戰項目

有意的親們抓緊時間嘍

兩人及兩人以上組團立減

100元

想組團者/諮詢課程可以

添加下方微信客服

julyedukefu_02

??

長按識別二維碼

更多資訊

 請戳一戳

往期推薦

【內推】用了這麼久支付寶，你難道不想來螞蟻金服試試嗎?

這10種深度學習方法，AI從業者必備！

乾貨 | 一圖掌握整個深度學習核心知識體系【高清下載】

為什麼程序員總喜歡在半夜寫代碼？

2019校招面試必備，15個CNN關鍵回答集錦【建議收藏】

年薪25萬的程序員都選擇轉行了，究竟是什麼行業這麼熱門？

點擊下方 「

閱讀原文

↓↓↓ 
推薦閱讀：