算法工程师 面试题与解答

题目来源：

作者：xfcherish
链接：https://www.nowcoder.com/discuss/65323?type=0&order=0&pos=50&page=1

如果本文有什么错误，欢迎指出，感激不尽！！！

<1> 逻辑回归和线性回归对比有什么优点？

可以用于分类任务，速度快，能容易地更新模型吸收新的数据。

<2> 逻辑回归可以处理非线性问题吗？

不可以，仅能用于线性问题。只有当目标和特征是线性关系时，才能用逻辑回归。在应用逻辑回归时注意两点：一是当知道模型是非线性时，不适用逻辑回归；二是当使用逻辑回归时，应注意选择和目标为线性关系的特征。

<3> 分类问题有哪些评价指标？每种的适用场景。

https://www.cnblogs.com/zhaokui/p/ml-metric.html

<4> 讲一下正则化，L1和L2正则化各自的特点和适用场景。

深度学习可能存在过拟合问题——高方差，有两个解决方法，一个是正则化，另一个是准备更多的数据，这是非常可靠的方法，但你可能无法时时刻刻准备足够多的训练数据或者获取更多数据的成本很高，但正则化通常有助于避免过拟合或减少你的网络误差。

2. L1和L2的异同点

相同点：都用于避免过拟合

不同点：L1可以让一部分特征的系数缩小到0，从而间接实现特征选择。所以L1适用于特征之间有关联的情况。

           &nb