数据分析面试，到底怎么准备机器学习知识？

共 2776字，需浏览 6分钟

·

2020-09-08 03:53

如果你的简历上，有机器学习模型的名词，可能收获的面试问题是：

“你用过XXXX吧？是用什么语言做的？讲一下原理和调参的过程吧？

如果你的简历上，没有机器学习的字眼，可能收获的面试问题是：

“了解机器学习吗？挑一个你熟悉的讲讲吧？”

明明在JD里，写着【懂模型】是加分项，

但在面试里，却好像怎么也绕不开这个坎……

除了计算机和数学系的专业课大概率有所涉及，像诸多的经济学、管理学、通信、材料学科，基本机器学习这一块只能靠自我驱动了……

其实我是一个看见数学公式推导就很头疼的人，别说现在说不全常用希腊字母的读音，搁大学那会儿我的高数简直是在生死线挣扎，靠抱各路大神的大腿才勉强及格。

但就算是这样，我也能保证自己在花费了时间和精力后，能够在缓慢的思考中用梯度下降法把逻辑回归的求解过程推导出来，也能够顺利的说出决策树中信息增益、信息增益比、基尼指数的计算逻辑和应用方法。

当然，再难一点，当面试官问题GBDT\XGBOOST的推导过程时，我只能很诚实的说“不好意思，这个推导过程我不会，不过我能说出它的原理。”

不过几十场面试里，也就渺渺几个人让我真的说出（写下）推导的过程（毕竟面的不是算法岗），大多都是问一些原理、应用场景的问题，这倒是正中我下怀——凡是能够用文字表达的东西，我都很乐意提前整理好文档。

那，非专业的人、或者数学基础不太好的人，我们可以怎么样去准备文档里【机器学习】这个PART呢？

从简单到复杂。毕竟没有接触过这些东西，在开始准备的时候，可以先整理好逻辑回归、决策树这种简单的算法，手推的过程会更加友好。作为零基础的人，不建议一上来就非要推出个CNN……

从原理到应用。原理、优缺点和应用恰好是最容易用文字来表达的内容，也是面试的时候喜欢问的东西。

【可选】手推。从时间成本的角度上看，我认为手推是准备过程中【可选】的内容，从现在到7月秋招开启，短短的2-3个月还需要实习、写论文、复盘，在这些庞大的工作量下，可以、也应该有选择性的放弃一些知识。

延伸提问。在回答完某一个算法的原理问题后，很多面试官喜欢进行延伸知识点提问，比如从逻辑回归关联到L1L2正则；从朴素贝叶斯关联到贝叶斯公式的原理；从决策树关联到Boosting和Bagging……在学习完所有的基础内容后，可以着手整理这一块的东西。

好的，我们来看一下，针对每一个算法，我们应该准备下哪些东西？

我以简单的决策树作为案例，看一看需要准备哪些文字版的内容。

STEP1：整体概况

决策树是一种对样本进行分类的树形结构，也能够进行回归预测。决策树主要包含3种结点：根节点——初始结点；叶节点——最终分类结果结点；内结点——树内部进行判断的条件结点-即特征，在决策树中，每一个样本都只会被一条路径覆盖。

STEP2：生成原理

决策树常见的生成算法有三种，ID3，C4.5以及Cart。以ID3算法为例介绍一下决策树的生成原理。

第一步，计算信息增益。ID3算法是利用信息增益进行特征选择的。信息增益是指，已知某一特征xi后，使得样本整体特征不确定性减少的程度。

第二步，在每个节点上利用信息增益进行特征的选择，在选择特征时，优先选择信息增益最大的特征。直到剩余特征的信息增益小于阈值、或已经没有特征可以选择时终止。

第三步，对决策树进行剪枝优化。构建决策树的损失函数（与预测误差以及树的复杂度有关），将每一个叶节点回缩到上一层父节点，对损失函数最小的叶节点进行修剪。

C4.5算法的过程与ID3类似，只是使用了信息增益比而非信息增益进行计算。信息增益比是指在信息增益的基础之上乘一个惩罚参数。特征个数较多时，惩罚参数较小；特征个数较少时，惩罚参数较大。而CART算法则是使用基尼指数进行计算。基尼指数是指样本被某一特征分割后，整个样本集合不确定性程度的大小，基尼指数越小，样本集合被分割后的不确定性越小。

STEP3：优缺点

决策树的优势包括：输出树形图可解释性较强，if-then形式，逻辑很好理解；对输入数据的属性要求低（分类，连续）；

劣势包括：当数据集特征维度很多时，决策树会生成许多枝干，或者树非常深，陷入过拟合；判定过程很规则化，容易被识破并攻击。

STEP4：应用场景

决策树的应用场景十分广。可以用来评估贷款风险；可以辅助医生选择诊断模型；也可以用于垃圾邮件的分类判断。

STEP5：手推

决策树这一块需要手推的东西比较少，主要是应该掌握：

【熵】、【信息增益】、【信息增益比】、【基尼指数】、【损失函数】的公式；

CART算法【回归树】、【分类树】的生成方式推导。

这些内容多在纸上推推算算记记，就差不多OK了。

STEP6：延伸提问

信息增益比和信息增益相比，有什么优势？

（可以从信息增益比的定义出发解释）

如何解决决策树的过拟合问题？

（剪枝、交叉验证、筛选特征）

预剪枝和后剪枝？

（参考树的高度、叶子结点的数量、不纯度等、在生成决策树前（后）进行剪枝）

随机森林。都问完决策树了，再问个随机森林是很正常的。

（这里同样从整体概况、原理、优缺点等进行整理）

Bagging和Boosting的区别？决策树常被作为基础分类器用于更多复杂的算法里。而说到分类器的集成就逃不开Bagging和Boosting。

（样本的抽取；样本的权重；是否并行计算等）

GBDT\XGBOOST。害，谁叫这几年kaggle和天池动不动就用了这俩兄弟，他们又恰好可以是决策树这种弱分类器的集成算法呢？

（同（4））

机器学习不是我擅长的东西，但却是必须准备的知识。

好在也许面试官们理解化学本科、管理学硕士的我可能对算法真的不会特别深入的了解，倒也不会过多的追问原理细节。

也有可能我面试的大多数数分岗位都是偏业务的，机器学习的确是加分但并非必需，面试官不会对这块过分关心。

最后，献上学习资料吧。

李航《统计学习方法》

这个不多数，人手一本，机器学习入门必备。如果只想选择一份资料，那就是它了。（最新版本如下）

吴恩达《Machine Learning》

Andrew Ng在 Coursera 上开设的机器学习入门课《Machine Learning》已经被太多人推荐过了，能够坚持看完基本就OK了。

shuhuai008《机器学习-白板推导系列》

不得不说，这两年B站上涌出了一堆鱼龙混杂学习资料，但也不乏精品。这个《机器学习-白班推导系列》更加适合数学基础好，对手推算法有需求的人。

善用百度google

各色博客里早就把这些算法翻来覆去总结透了。

浏览 62

点赞

收藏

分享

举报

评论

图片

表情

数据分析面试准备之方向选择

专业的数据分析报告到底怎么写？

数据分析1480

太卷了，数据分析面试，现在要考机器学习！

蚂蚁学Python

机器学习数据不满足同分布，怎么整？

【机器学习】数据不平衡问题都怎么解？

机器学习初学者

机器学习到底难吗？

1份专业的数据分析报告到底怎么写？

【数据分析】数据分析（EDA）学习总结！

机器学习初学者

机器学习面试必备 CheatSheet

机器学习、深度学习面试知识点汇总

人工智能与算法学习

点赞

收藏

分享

举报