牛客笔试题之机器学习

牛客笔试题之机器学习

昨天做完了牛客网上的机器学习试题，下面是对一些错题的分析，并简要总结了一些机器学习中应该注意的知识点，过段时间会对其中的一些方法进行更加详细的分析介绍。题中打问号？代表该题答案存在争议，不一定准确。

过拟合问题

解析：
造成过拟合的原因主要有：

1. 训练数据不足
2. 训练模型过度导致模型非常复杂，泛化能力差
3. 样本里的噪音数据干扰过大，大到模型过分记住了噪音特征，反而忽略了真实的输入输出间的关系；
4. 权值学习迭代次数足够多(Overtraining)，拟合了训练数据中的噪声和训练样例中没有代表性的特征

• 选项A增加训练集可以解决训练数据不足的问题，防止过拟合
• 选项B对应使得模型的复杂度降低，防止过拟合
• 选项C类似主成分分析，降低数据的特征维度，使得模型复杂度降低，防止过拟合
• 选项D使得模型更加复杂化，会充分训练数据导致过拟合

条件概率

解析：
由条件概率公式可知：

先验概率未知

解析：

朴素贝叶斯（NB）

NB的核心在于它假设向量的所有分量之间是独立的。
在贝叶斯理论系统中，都有一个重要的条件独立性假设：假设所有特征之间相互独立，这样才能将联合概率拆分。

分支定界法（branch and bound）

解析：

基于核的机器学习算法

解析：

• A EM算法，聚类算法
• B 径向基核函数
• C 线性判别分析
• D 支持向量机
  核函数的本质就是将一个空间转化为另一个空间的变化，线性判别分析是把高纬空间利用特征值和特征向量转化到一维空间，核化的LDA模型是KFDA。

L1和L2范数

解析：

1. L1范数是指向量中各个元素的绝对值之和，也叫”系数规则算子（Lasso regularization）。它可以实现稀疏，通过将无用特征对应的参数W置为零实现。
2. L2范数是指向量各元素的平方和然后开方，用在回归模型中也称为岭回归（Ridge regression）。L2避免过拟合的原理是：让L2范数的规则项||W||2 尽可能小，可以使得W每个元素都很小，接近于零，但是与L1不同的是，不会等于0；这样得到的模型抗干扰能力强，参数很小时，即使样本数据x发生很大的变化，模型预测值y的变化也会很有限。

准确率、召回率及F1值

解析：

精准度和召回率是一对矛盾的度量，一般来说，精准度越高，召回率越低；召回率越高，精准度越低。

生成式模型和判别式模型

**生成式模型(Generative Model)与判别式模型(Discrimitive Model)**是分类器常遇到的概念，它们的区别在于：

对于输入x，类别标签y：
　　生成式模型估计它们的联合概率分布P(x,y)
　　判别式模型估计条件概率分布P(y|x)

生成式模型可以根据贝叶斯公式得到判别式模型，但反过来不行。

公式上看
生成模型： 学习时先得到 P(x,y)，继而得到 P(y|x)。预测时应用最大后验概率法（MAP）得到预测类别 y。
判别模型： 直接学习得到P(y|x)，利用MAP得到 y。或者直接学得一个映射函数 y=f(x)。

直观上看
生成模型： 关注数据是如何生成的
判别模型： 关注类别之间的差别
例子：
假如你的任务是识别一个语音属于哪种语言。例如对面一个人走过来，和你说了一句话，你需要识别出她说的到底是汉语、英语还是法语等。那么你可以有两种方法达到这个目的：

1. 学习每一种语言，你花了大量精力把汉语、英语和法语等都学会了，我指的学会是你知道什么样的语音对应什么样的语言。然后再有人过来对你说，你就可以知道他说的是什么语音.
2. 不去学习每一种语言，你只学习这些语言之间的差别，然后再判断（分类）。意思是指我学会了汉语和英语等语言的发音是有差别的，我学会这种差别就好了。
   那么第一种方法就是生成方法，第二种方法是判别方法。

常见的判别式模型：

1. 逻辑回归 　　Logistic Regression
2. 支持向量机 　　SVM
3. 神经网络 　　NN
4. 传统神经网络 　　Traditional Neural Networks
5. 邻近取样 　　Nearest Neighbor
6. 条件随机场 　　CRF
7. 线性判别分析 　　Linear Discriminant Analysis
8. 提升算法 　　Boosting
9. 线性回归 　　Linear Regression
10. 高斯过程　　 　　Gaussian Process
11. 分类回归树　　　　Classification and Regression Tree (CART)
12. 区分度训练

常见的生成式模型：

1. 高斯　　 　　　　Gaussians
2. 朴素贝叶斯　　 　 Naive Bayes
3. 混合多项式　　　　Mixtures of Multinomials
4. 混合高斯模型　　 Mixtures of Gaussians
5. 多专家模型　　　　Mixtures of Experts
6. 隐马尔科夫模型　　HMM
7. S型信念网络　　　 Sigmoidal Belief Networks
8. 贝叶斯网络　　　　 Bayesian Networks
9. 马尔科夫随机场　　 Markov Random Fields
10. 潜在狄利克雷分配　 Latent Dirichlet Allocation(LDA)
11. 判别式分析
12. K近邻　　　　　　 KNN
13. 深度信念网络　　　 DBN

聚类算法影响因素

解析：
聚类的目标是使同一类对象的相似度尽可能地大，不同类对象之间的相似度尽可能的小。
聚类分析算法主要可以分为：

1. 划分法（Partitioning Methods）
2. 层次法（Hierarchical Me thods）
3. 基于密度的方法（Density-Based Methods）
4. 基于网格的方法（Grid-Based M ethods）
5. 基于模型的方法（Model-Based Methods）
6. 谱聚类（Spectral Clustering）

C大约说的是度量方式，例如KMeans 可以用欧式距离啊，也可用其他的距离，这也是分类准则。（C正确）** 不过个人觉得C有歧义**；
特征选取的差异会影响聚类效果（A正 确）。
聚类的目标是使同一类对象的相似度尽可能地大，因此不同的相似度测度方法对聚类结 果有着重要影响（B正确）。
由于聚类算法是无监督方法，不存在带类别标签的样本，因此， D选项不是聚类算法的输入数据。

隐马尔科夫模型

解析：

1. 前向后向算法解决的是一个评估问题，即给定一个模型，求某些特定观测序列的概率，用于评估该序列最匹配的模型。
2. Baum-Welch算法解决的是一个模型训练问题（学习），即参数估计，是一种无监督的训练方法，主要通过EM迭代实现。
3. 维特比算法解决的是一个预测问题，通信中的解码问题，即给定一个模型和某个特定的输出序列，求最可能产生这个输出的状态序列。比如通过海藻变化（输出序列）来观测天气（状态序列）。

AdaBoost及SVM

解析：

卷积大小计算

解析：

特征选择方法

解析：

缺失值处理方法

解析：
由于调查、编码和录入误差，数据中可能存在一些无效值和缺失值，需要给予适当的处理。常用的处理方法有：估算，整例删除，变量删除和成对删除。

1. 估算(estimation)。最简单的办法就是用某个变量的样本均值、中位数或众数代替无效值和缺失值。这种办法简单，但没有充分考虑数据中已有的信息，误差可能较大。
2. **整例删除(casewise deletion)**是剔除含有缺失值的样本。由于很多问卷都可能存在缺失值，这种做法的结果可能导致有效样本量大大减少，无法充分利用已经收集到的数据。因此，只适合关键变量缺失，或者含有无效值或缺失值的样本比重很小的情况。
3. 变量删除(variable deletion)。如果某一变量的无效值和缺失值很多，而且该变量对于所研究的问题不是特别重要，则可以考虑将该变量删除。这种做法减少了供分析用的变量数目，但没有改变样本量。
4. **成对删除(pairwise deletion)**是用一个特殊码(通常是9、99、999等)代表无效值和缺失值，同时保留数据集中的全部变量和样本。但是，在具体计算时只采用有完整答案的样本，因而不同的分析因涉及的变量不同，其有效样本量也会有所不同。

信息增益

解析：
本题主要考察信息增益的计算方式，具体可参考我之前博客决策树：
G a i n ( A ) = I n f o ( D ) − I n f o A ( D ) Gain(A) = Info(D) - InfoA(D) Gain(A)=Info(D)−InfoA(D)
其中Info表示信息熵，计算公式如下：

所以可以计算出各特征的信息增益如下所示：

置信度及支持度

解析：
置信度计算规则为： 同时购买商品A和商品B的交易次数**/购买了商品A的次数
支持度计算规则为： 同时购买了商品A和商品B的交易次数/**总的交易次数

求解线性不可分方法

解析：
伪逆法： 径向基（RBF）神经网络的训练算法，径向基解决的就是线性不可分的情况。
感知器算法： 线性分类模型。
H-K算法： 在最小均方误差准则下求得权矢量，二次准则解决非线性问题。
势函数法： 势函数非线性。

时间序列模型

解析：
**AR模型：**自回归模型，是一种线性模型
**MA模型：**移动平均法模型，其中使用趋势移动平均法建立直线趋势的预测模型
**ARMA模型：**自回归滑动平均模型，拟合较高阶模型
**GARCH模型：**广义回归模型，对误差的方差建模，适用于波动性的分析和预测

PMF PDF CDF

解析：

CRF（条件随机场）

解析：

1. HMM（隐马尔科夫模型）：HMM是一种产生式模型，定义了联合概率分布p(x,y) ，其中x和y分别表示观察序列和相对应的标注序列的随机变量。它包含2个基本假设：

• 后一个隐藏状态只依赖于前一个隐藏状态。
• 观测值之间相互独立，观测值只依赖于该时刻的马尔科夫链的隐状态。
  缺点：1. HMM只依赖于每一个状态和它对应的观察对象：2、目标函数和预测目标函数不匹配：

2. MEMM（最大熵马尔科夫模型）：最大熵马尔科夫模型把HMM模型和Maximum Entropy模型的优点集合成一种生成模型（Generative Model）。克服了观察值之间严格独立产生的问题，但仍存在标注偏置问题（Label bias problem）。
3. CRF（条件随机场）：CRF模型解决了标注偏置问题，去除了HMM中两个不合理的假设，当然，模型相应得也变复杂了。MEMM是局部归一化，CRF是全局归一化。
   CRF 的优点：特征灵活，可以容纳较多的上下文信息，能够做到全局最优
   CRF 的缺点：速度慢
   **总结：**三者都是NLP（自然语言处理）中的基础语言模型。

线性回归描述

解析：

K-L与PCA

解析：
K-L变换与PCA变换是不同的概念，PCA的变换矩阵是协方差矩阵，K-L变换的变换矩阵可以有很多种（二阶矩阵、协方差矩阵、总类内离散度矩阵等等）。当K-L变换矩阵为协方差矩阵时，等同于PCA。

数据不均衡

解析：

1. 重采样。
   A可视作重采样的变形。改变数据分布消除不平衡，可能导致过拟合。
2. 欠采样。
   C的方案 提高少数类的分类性能，可能丢失多数类的重要信息。
3. 权值调整。
   D方案也是其中一种方式。

HK算法与感知器

解析：

时间序列算法模型

解析：
常见的时间序列算法模型有

• 移动平均法 (MA) 简单移动平均法
• 自回归模型(AR)
• 自回归滑动平均模型(ARMA)
• GARCH模型 指数平滑法
  ABD都是一些关于股票涨跌的分析方法。

SVM核函数

解析：
SVM核函数包括：
线性核函数、多项式核函数、径向基核函数（RBF）、高斯核函数、幂指数核函数、拉普拉斯核函数、ANOVA核函数、二次有理核函数、多元二次核函数、逆多元二次核函数以及Sigmoid核函数。

Logit与SVM

解析：
A. Logit回归本质上是一种根据样本对权值进行极大似然估计的方法，而后验概率正比于先验概率和似然函数的乘积。logit仅仅是最大化似然函数，并没有最大化后验概率，更谈不上最小化后验概率。A错误
B. Logit回归的输出就是样本属于正类别的几率，可以计算出概率，正确
C. SVM的目标是找到使得训练数据尽可能分开且分类间隔最大的超平面，应该属于结构风险最小化，正确。
D. SVM可以通过正则化系数控制模型的复杂度，避免过拟合。（个人觉得但最好是加上正则项吧）

LDA与PCA

**LDA（线性判别分析）用于降维，和PCA（主成分分析）**有很多相同，也有很多不同的地方，因此值得好好的比较一下两者的降维异同点。
相同点：

1. 两者均可以对数据进行降维。
2. 两者在降维时均使用了矩阵特征分解的思想。
3. 两者都假设数据符合高斯分布。

不同点：

1. LDA是有监督的降维方法，而PCA是无监督的降维方法
2. LDA降维最多降到类别数k-1的维数，而PCA没有这个限制。
3. LDA除了可以用于降维，还可以用于分类。
4. LDA选择分类性能最好的投影方向，而PCA选择样本点投影具有最大方差的方向

常见的数据降维方法

线性

1. LDA（线性判别分析）
2. PCA（主成分分析）

非线性

1. 核方法（KPCA、KFDA等）
2. 二维化
3. 流行学习（LLE、LPP、ISOMap等）

其他方法：

1. 神经网络（自编码）
2. 聚类
   3.小波分析
3. LASSO（参数压缩）
4. SVD奇异值分解

线性分类器准则

解析：
线性分类器有三大类：感知器准则函数、SVM、Fisher准则，而贝叶斯分类器不是线性分类器。

1. 感知器准则函数：代价函数J=-(W*X+w0)，分类的准则是最小化代价函数。感知器是神经网络（NN）的基础。
2. SVM：支持向量机也是很经典的算法，优化目标是最大化间隔（margin），又称最大间隔分类器，是一种典型的线性分类器。（使用核函数可解决非线性问题）
3. Fisher准则：更广泛的称呼是线性判别分析（LDA），将所有样本投影到一条远点出发的直线，使得同类样本距离尽可能小，不同类样本距离尽可能大，具体为最大化“广义瑞利商”。
   贝叶斯分类器：一种基于统计方法的分类器，要求先了解样本的分布特点（高斯、指数等），所以使用起来限制很多。在满足一些特定条件下，其优化目标与线性分类器有相同结构（同方差高斯分布等），其余条件下不是线性分类。