【2020秋招】内推批小米机器学习算法面试经验贴

铺垫

时间：周四下午2点
形式：牛客远程面试
面试体验：总共面试一小时多，总体给人的感觉就是：准时、认真、耐心、温和、还很幽默，最后还和我说你如果经常刷脉脉怎么还敢投我们公司，自黑了一把（为什么我每次都觉得碰到特别好的呢，哈哈哈）

问题&答案

1. 介绍两段项目经历，面试官有很多奇怪的地方，对我提出了疑问，不过都是小事情。

2. LR的损失函数是什么，怎么写，远程面试让我把公式念出来（有点难）
   极大似然函数：
   

3. 过拟合和欠拟合如何判断？有什么解决办法吗？

   1. 当训练集和测试集的误差收敛但却很高时，为高偏差。
      反映到学习曲线上，训练集和验证集的准确率都很低，很可能是欠拟合。
      我们可以增加模型参数，比如，构建更多的特征，减小正则项。
      此时通过增加数据量是不起作用的（反向思考如何判断模型过拟合还是欠拟合）。

   2. 当训练集和测试集的误差之间有大的差距时，为高方差。
      当训练集的准确率比其他独立数据集上的测试结果的准确率要高时，一般都是过拟合。
      反映到学习曲线上，训练集和验证集的准确率相差太多，应该是过拟合。
      我们可以增大训练集，降低模型复杂度，增大正则项，或者通过特征选择减少特征数。

4. L1正则和L2正则介绍一下，然后为什么二者能产生这样的效果？你画的这个图中为什么这个矩形要这么画呢？

   1. L1正则是参数的绝对值之和，使一部分参数变为0，可以起到特征筛选的作用；
   2. L2正则是参数的平方和（注意⚠️：L2范数是参数的平方和再开根号），使参数变为很小的值。
   3. 为什么会产生这样的作用：
      
      4. 注意矩形和正则项系数的关系
         正则项系数lambda越小，这个矩形区域越大，这时欠拟合时，应该把lambda调小；
         正则项系数lambda越大，这个矩形区域越小，这时过拟合时，应该把lambda调大。

5. 算法题：求出数组中的K个最小数字