机器学习基础知识点题库

机器学习基础知识测试 知识点题库

（一）1-21 基本概念、分类模型、线性回归模型、线性分类模型

（二）22-37   SVM、K近邻分类、决策树、集成学习、回归模型

（三）38-65  无监督学习、聚类、朴素贝叶斯算法、特征降维、特征抽取、特征筛选

（一）

1、人工智能、机器学习、深度学习的区别与联系

人工智能：让机器展现出人类智力，能够感知、推理、行动、和适应的程序

机器学习：抵达AI目标的一条路径，能够随着数据量的增加不断改进性能的算法

       深度学习：实现机器学习的技术，机器学习的一个子集，利用多层神经网络从大量数据中进行学习

三者之间是相互包含的关系：人工智能涵盖范围最广，它包含了机器学习；而机器学习是人工智能的重要研究内容，它又包含了深度学习

 

2、机器学习的基本概念

机器学习主要是研究如何使计算机从给定的数据中学习规律，即从观测数据（样本）中寻找规律，并利用学习到的规律（模型）对未知或无法观测的数据进行预测。

机器学习是不需要确定性编程就可以赋予机器某项技能的研究领域

3、监督学习的基本概念

有监督学习：是利用一组已知输入x和输出y的数据来学习模型的参数，使得模型预测的输出标记和真实标记尽可能的一致。

无监督学习：无监督学习是用来学习的数据不包含输出目标，需要学习算法自动学习到一些有价值的信息

4、分类的基本概念

分类（Classification）如果输出y是离散的类别标记（符号），就是分类问题。在分类问题中，通过学习得到的决策函数f (x,θ )也叫分类器

5、回归的基本概念

回归（Regression）如果输出y是连续值（实数或连续整数），f (x)的输出也是连续值。这种类型的问题就是回归问题。对于所有已知或未知的(x, y)，使得f (x,θ )和y尽可能地一致

6、什么是训练集和测试集

训练集：作用是用来拟合模型，通过设置分类器的参数，训练分类模型

测试集：得出最优模型后，使用测试集进行模型预测，用来衡量该最优模型的性能和分类能力。1/5～1/3样本作为测试集

7、什么是线性分类器

线性分类器（Linear Classifiers),是一种假设特征与分类结果存在线性关系的模型。这个模型通过累加计算每个维度的特征与各自权重的乘积来帮助类别决策。

8、Logistic 回归模型的定义

是一个分类算法，它可以处理二元分类以及多元分类。首先逻辑回归构造广义的线性回归函数，然后使用sigmoid函数将回归值映射到离散类别

9、Sigmoid函数的函数原型和取值范围是什么？

函数原型：

 

取值范围：（0,1）

10、 SGD的含义及解释

SGD：随机梯度下降

随机梯度下降（SGD）是一种用于在线性分类器下的线性分类器的判别学习方法

梯度下降的每一步中，用到一个样本，在每一次计算之后便更新参数，而不需要首先将所有的训练集求和

11、关于分类模型的性能评价指标有哪四个？

线性分类器•支持向量机•朴素贝叶斯•决策树

12、分类模型的准确性指标（Accuracy）、F1指标分别是如何定义的？

Accuracy：计算了分类正确的预测数与总预测数的比值