https://www.nowcoder.com/discuss/216469?type=0&order=0&pos=7&page=0

二面

编程题

山峰数组求最大值，复杂度O(logn), 注意边界条件

概率题

1. shuffle数组

几何分布的期望

2. 抛硬币

几何分布的期望
更复杂的问题

项目介绍

batch_size的设置依据

类别不均衡的处理，为什么没有效果？

怎么学习机器学习的？

《数据挖掘》《概率图模型》《机器学习》《统计机器学习》《深度学习》《python机器学习》《深度学习之tensorflow》《信息论》

AUC计算

ROC曲线

横轴为假正例率（FPR），纵轴为真正例率（TPR）。衡量排序质量的好坏

AUC

ROC曲线下方的面积

AUC的优点

当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。在类别均衡度发生变化时仍然能很好的衡量分类器的能力。

AUC的计算方法有两种

一种是通过梯形近似计算ROC曲线下方的面积，一般不会有人用；另一种是从AUC统计意义上考虑，下面重点来说第二种。

AUC的统计意义：随机抽出一对样本（一个正样本，一个负样本），然后用训练得到的分类器来对这两个样本进行预测，预测得到正样本的概率大于负样本概率的概率。

从AUC统计意义去计算。所有的正负样本对中，正样本排在负样本前面占样本对数的比例，即这个概率值如下： ，其中M表示正例的个数，N表示负例的个数。

进一步的，有如下的改进算法：
● 对预测概率从高到低排序
● 对每一个概率值设一个rank值（最高的概率的rank为n,第二高的为n-1）
● rank实际上代表了该score（预测概率）超过的样本的数目。这个数目可以分为两类，一类是正例，一类是负例。将正类的rank值相加并减去正类自身的pairs，则得到正例概率大于负类概率的pairs
● 除以M*N

如何去理解AUC的统计意义？

ROC曲线的横轴为，纵轴为;为阈值，FFR和TPR由阈值决定，故分别记为和。
AUC值可以表示为如下公式：
指负样本中预测概率为的比例，指正样本中预测概率大于的比例，即大于负样本的预测概率的比例，因此通过积分得到的AUC和AUC的统计意义得到的值相同。
综上公式AUC描述的是：随机给定一个正样本、负样本，正样本的概率大于负样本的概率。