BAT機器學習面試1000題（456~460題）

點擊上方  

?

BAT機器學習面試1000題（456~460題）

456題

如下表是用戶是否使用某產品的調查結果（ ）請計算年齡、地區、學歷、收入中對用戶是否使用調查產品信息增益最大的屬性。（

）

A、年齡

B、地區

C、學歷

D、收入

點擊下方空白區域查看答案▼

正確答案是：C

解析：

信息增益最大，也就是分類以後信息最少，熵最小。沒有劃分時，原始數據熵為

如果按照年齡進行劃分，劃分後的熵為

分別按照熵的方法計算出劃分以後的熵值，可以發現按照學歷劃分以後，熵為0，其他選項都大於0。因此，信息增益最大的屬性是學歷。    

如果不進行計算，可以由觀察得出，按照學歷劃分以後，所有的用戶都能正確分類，此時熵最小，信息增益最大。如果按照其他屬性分類，都出現了錯分的情況，對應的熵大於0。

457題

在其它條件不變的前提下，以下哪種做法容易引起機器學習中的過擬合問題（ ）

A、增加訓練集數量

B、減少神經網路隱藏層節點數

C、刪除稀疏的特徵

D、SVM演算法中使用高斯核/RBF核代替

點擊下方空白區域查看答案 ▼

正確答案是：D

解析：

機器學習中發生過擬合的主要原因有： 

（1）使用過於複雜的模型； 

（2）數據雜訊較大； 

（3）訓練數據少。    

由此對應的降低過擬合的方法有： 

（1）簡化模型假設，或者使用懲罰項限制模型複雜度； 

（2）進行數據清洗，減少雜訊； 

（3）收集更多訓練數據。 

本題中，A對應於增加訓練數據，B為簡化模型假設，C為數據清洗。D選項中，高斯核的使用增加了模型複雜度，容易引起過擬合。選擇合適的核函數以及軟邊緣參數C就是訓練SVM的重要因素。一般來講，核函數越複雜，模型越偏向於過擬合；C越大模型越偏向於過擬合，反之則擬合不足。

458題

如果線性回歸模型中的隨機誤差存在異方差性，那麼參數的OLS估計量是（ ）

A、無偏的，有效的

B、無偏的，非有效的

C、有偏的，有效的

D、有偏的，非有效的

點擊下方空白區域查看答案▼

正確答案是：B

解析：

OLS即普通最小二乘法。由高斯—馬爾可夫定理，在給定經典線性回歸的假定下，最小二乘估計量是具有最小方差的線性無偏估計量。根據證明過程可知，隨機誤差中存在異方差性不會影響其無偏性，而有效性證明中涉及同方差性，即異方差會影響參數OLS估計量的有效性。

459題

一個二進位源X發出符號集為{-1,1}，經過離散無記憶信道傳輸，由於信道中噪音的存在，接收端Y收到符號集為{-1,1,0}。已知P(x=-1)=1/4，P(x=1)=3/4，P(y=-1|x=-1)=4/5，P(y=0|x=-1)=1/5，P(y=1|x=1)=3/4，P(y=0|x=1)=1/4，求條件熵H(Y|X)（ ）

A、0.2375

B、0.3275

C、0.5273

D、0.5372

點擊下方空白區域查看答案▼

正確答案是：A

解析：

由H(Y|X)= -∑P(X,Y)logP(Y|X)= -∑P(Y|X)P(X)logP(Y|X)，將(y=-1,x=-1), (y=0,x=-1), (y=1,x=1), (y=0,x=1)四種情況帶入公式求和，得到H(Y|X)≈-(-0.01938-0.03495-0.07028-0.11289)=0.2375。

460題

Fisher線性判別函數的求解過程是將M維特徵矢量投影在（ ）中進行求解。

A、M-1維空間

B、一維空間

C、三維空間

D、二維空間

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

我們的

【

計算機視覺第二期

正在火熱報名中

9月22日開課嘍

還有2天，2天，2天

還沒報名的小夥伴們

抓緊時間嘍

2人及2人以上組團

立減100元

想組團者可以添加客服：

julyedukefu_02

讓客服幫忙組團享受優惠喔

點擊下方「

閱讀原文

可在線報名

更多資訊

 請戳一戳

往期推薦

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「閱讀原文」，立即報名