常见的机器学习面试问题（持续更新中）

最新推荐文章于 2025-06-30 15:20:19 发布

原创

最新推荐文章于 2025-06-30 15:20:19 发布 · 1.5k 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#面经 #机器学习

本文详述了机器学习面试中常见的问题，包括卷积神经网络的权值共享、传统机器学习与深度学习的区别、特征缩放、特征工程、降维方法如PCA和LDA、缺失值处理、过拟合解决方案、SVM与LR对比、激活函数、反向传播中的梯度检验等关键知识点。此外，还讨论了集成学习如Boosting、Bagging、Stacking的原理，以及随机梯度下降与牛顿法的区别。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

卷积神经网络中的权值共享

输入层和隐层之间若按照全连接方式去连接，权值w的维数太大，为了减少权值w的维数，可以采用隐层的每个神经元与输入层中的1010个神经元相连，这样就大大减少了w的维数。进一步，如果我们让隐层每个神经元对用的1010的权重w都相同，那么最后我们的权重w就只有1010，但是这样子做未免也太粗糙了，提取的特征肯定很少，在此基础上，可以多加几个1010大小的w就可以了，比如50个，那就可以提取50次特征了，总的w的维度就变成501010个。这就是权值共享。

统计学习（传统机器学习）和深度学习的区别和联系

区别：传统机器学习需要人工设计特征，需要做特征工程，并且特征工程很关键。而深度学习可以自动学习特征，特别是在图像、语言、文本方面，这些数据都有局部和整体的关系，深度学习能发挥很大的作用，但是调参也是一个很繁琐的事情。

联系：深度学习是一种实现机器学习的技术。

##LR和SVM的异同
相同点：

LR和SVM都是分类算法
如果不考虑核函数，LR和SVM都是分类算法，也就是说他们的决策面都是线性的
LR和SVM都是监督学习算法
LR和SVM都是判别模型
LR和SVM在学术界都广为人知并且应用广泛

不同点：

本质上是其loss function不同。不同的loss function代表不同的假设前提，也就代表了不用的分类原理。简单来说，逻辑回归方法是基于概率理论，假设样本为1的概率可以用sigmoid函数来表示，然后通过极大似然的方法可以估计出参数的值。支持向量则是基于几何间隔最大的原理，认为存在最大几何间隔的分类为最优分类面。
支持向量只考虑局部边界线附近的点，而逻辑回归考虑全局。从这一点可以得知：线性SVM不直接依赖于数据分布，分类平面不受一类点影响；LR则受所有数据点的影响，如果数据不同类别strongly unbalance，一般需要先对数据做balancing。
在解决非线性问题时，支持向量机采用核函数的机制，而LR通常不采用核函数的方法。这个问题理解起来非常简单。分类模型的结果就是计算决策面，模型训练的过程就是决策面的计算过程。通过上面的第二点不同点可以了解，在计算决策面时，SVM算法里只有少数几个代表支持向量的样本参与了计算，也就是只有少数几个样本需要参与核计算（即kernal machine解的系数是稀疏的）。然而，LR算法里，每个样本点都必须参与决策面的计算过程，也就是说，假设我们在LR里也运用核函数的原理，那么每个样本点都必须参与核计算，这带来的计算复杂度是相当高的。所以，在具体应用时，LR很少运用核函数机制。
线性SVM依赖数据表达的距离测量，所以需要对数据先做normalization，LR不受其影响。（一个基于概率，一个基于距离）
SVM的损失函数就自带正则项，这就是问什么SVM是结构风险最小化算法的原因。而LR必须在损失函数上添加正则项下式是SVM的损失函数
$L(\omega , b, \alpha) = \frac{1}{2}\left \| \omega \right \|^2 - \sum _{i=1}^n\alpha _i(y_i(\omega ^Tx_i+b)-1)$

特征缩放（数据标准化）（概率模型不需要）

特征缩放技术是指面对多维特征时，将特征数据标准化到一个特定的范围，保证这些特征具有相近的尺度，将其进行归一化，这将帮助梯度下降法反向传播时更快的收敛。

min-max标准化（Min-Max Normalization）（它把原始数据映射到[0-1]之间）

$x=\frac{x-max}{max-min}$

0均值标准化（z-score标准化）（去均值除以标准差）

$\frac{x-\mu}{\sigma}$

两种方法的适用场景

在不涉及距离度量、协方差计算、数据不符合正太分布的时候，可以使用第一种方法或其他归一化方法。比如图像处理中，将RGB图像转换为灰度图像后将其值限定在[0 255]的范围
在分类、聚类算法中，需要使用距离来度量相似性的时候、或者使用PCA技术进行降维的时候，第二种方法(Z-score standardization)表现更好。