滴滴-机器学习一面面经
项目叙述关键词（可以展开给面试官说的清楚的，说不清楚的不要提）
1.Python，DNN，交叉熵，sigmoid；CNN，卷积，池化，对数似然，ReLu
2.多标签数据，特征选择，潜在语义（LSA），Armijo rule，梯度下降，SVM，宏平均，微平均
3.HSV特征，KNN，拉普拉斯矩阵，matting方程，guided filter，误差分类率
Q：项目二中用的libsvm，讲一讲
A：分类超平面，距离超平面距离最近的点距离最大，间隔，函数间隔，几何间隔，目标函数，拉格朗日乘数对偶化求解
Q：支撑向量是什么？
A：距离超平面最近的那些样本
Q：如何解决线性不可分的情况？
A：少数点不可分，加入松弛变量。整体都不可分的话，核函数映射到高维空间使得线性可分
Q：常见的核函数有哪些？
A：高斯核，多项式核，线性核
Q：高斯核在delta（方差）变大的情况下，整个模型是overfitting还是underfitting？
A：没听清这俩单词（过拟合和欠拟合）。问题本身也不知道
Q：训练之后，需要对模型进行存储，需要存储哪些参数？
A：权重W和偏置b
Q：宏平均和微平均如何计算的？
A：查准率和查全率，F-measure（F值），多分类的宏平均和微平均分别是算数平均数和加权平均数
Q：一般二分类的问题用什么评价指标呢？
A：分类准确率，但是样本不均衡的情况，很不准确。因此用查准率和查全率
Q：知道ROC曲线吗？曲线的物理含义是什么？AOC越高，体现了什么样的东西？
A：然了一会。（看过记不清了）
Q：刚提了样本不均衡问题，如何解决？
A：主要三个方面，数据，模型和评估方法。数据上重采样和欠采样，使之均衡；模型上选对样本不均衡问题不敏感的模型，如决策树，不能用KNN；评估方法，想之前所说查全率，查准率之类
Q：重采样和欠采样会带来什么问题？
A：过拟合（猜）
Q：经常会对连续型特征进行离散化处理，比如年龄分70后，80后，90后，在模型是LR或SVM的情况下，会有什么受益？
A：不会。没看过
Q：ok，然后问一些神经网络相关的。输入层特征会标准化，归一化吗？为什么是必须的？
A：用的mnist数据集不用归一化。。。不知道
Q：梯度消失产生的原因
A：反向传播，前一层的梯度是由后一层上一些项目的乘积。假如每一层上的梯度小于1，越乘越小，到最前面的层就会梯度消失。
Q：只有这一种原因吗？
A：还有比如S型神经元，在01附近梯度很小，而w和b的梯度是有S函数的梯度因式，从而导致梯度变小。
Q：relu出现死节点的问题，如何解决？
A：（想到relu的缺点，那么解决办法就是）初试设置一个比较小的学习速率。（这个回答貌似面试官不满意）
Q：有没有了解过ReLu的其他变种的方式？
A：（原来是想问这个）没看过
Q：卷积神经网络最重要的特性是什么？
A：卷积。
Q：一个feature map 的计算题，单（还是三？）通道的24*24的图像，有5个卷积核，每个都是5*5的，步长是1，没有补充（padding），卷积之后的feature map 的尺寸
A：（不管是单通道还是三通道无所谓）（24-5）/1+1=20，5个卷积核，20*20*5
Q：常见的池化方式有哪些？
A：最大池，平均池，l2池
Q：max-pooling和average-pooling各自的适用情况？
A：不知道
Q：比如要检测图像的纹理，那么用什么？
A：max-pooling，可以进行信息压缩，不关心纹理的具***置，而是否出现，大概在哪
Q：了解BN层作用吗？
A：（就记得几个名词）减少数据分布的偏移，在两个网络层中间加入归一化层，为了避免影响提取的特征，做了一个转换。
Q：代码考核，无序数组找出第k大的数
A：用的快速排序思想，找切分点，如果切分点在k之后那么在切分点左边继续切分，如果在切分点在k之前，那么在切分点右边继续切分，直到切分点为k-1
Q：时间复杂度是多少？
A：快速排序，对数级别吧。
校招小助手说今天的面试已经结束，估计已挂。
#滴滴#
