BAT机器学习面试1000题（461~465题）

点击上方  ⬆   蓝字关注七月在线实验室

BAT机器学习面试1000题（461~465题）

461题

461、类域界面方程法中，不能求线性不可分情况下分类问题近似或精确解的方法是（ ）

A、势函数法

B、基于二次准则的H-K算法

C、伪逆法

D、感知器算法

点击下方空白区域查看答案
▼

正确答案是：D

解析：

线性分类器的设计就是利用训练样本集建立线性判别函数式，也就是寻找最优的权向量的过程。求解权重的过程就是训练过程，训练方法的共同点是，先给出准则函数，再寻找是准则函数趋于极值的优化方法。ABC方法都可以得到线性不可分情况下分类问题近似解。感知器可以解决线性可分的问题，但当样本线性不可分时，感知器算法不会收敛。

462题

下列哪个不属于CRF模型对于HMM和MEMM模型的优势

A、特征灵活

B、速度快

C、可容纳较多上下文信息

D、全局最优

点击下方空白区域查看答案
▼

正确答案是： B

解析：

HMM模型是对转移概率和表现概率直接建模，统计共现概率。而MEMM模型是对转移概率和表现概率建立联合概率，统计时统计的是条件概率。CRF是在给定需要标记的观察序列的条件下，计算整个标记序列的联合概率分布，而不是在给定当前状态条件下，定义下一个状态的状态分布。MEMM容易陷入局部最优，是因为MEMM只在局部做归一化。CRF模型中，统计了全局概率，在做归一化时，考虑了数据在全局的分布，而不是仅仅在局部归一化，这样就解决了MEMM中的标记偏置的问题。    

CRF没有HMM那样严格的独立性假设条件，因而可以容纳任意的上下文信息，特征设计灵活。CRF需要训练的参数更多，与MEMM和HMM相比，它存在训练代价大、复杂度高的缺点。

463题

Nave Bayes是一种特殊的Bayes分类器,特征变量是X,类别标签是C,它的一个假定是（）

A、各类别的先验概率P(C)是相等的

B、以0为均值，sqr(2)/2为标准差的正态分布

C、特征变量X的各个维度是类别条件独立随机变量

D、P(X|C)是高斯分布

点击下方空白区域查看答案
▼

正确答案是：C

解析：

朴素贝叶斯的基本假设就是每个变量相互独立。

464题

在HMM中,如果已知观察序列和产生观察序列的状态序列,那么可用以下哪种方法直接进行参数估计（）

A、EM算法

B、维特比算法

C、前向后向算法

D、极大似然估计

点击下方空白区域查看答案
▼

正确答案是：D

解析：

EM算法： 只有观测序列，无状态序列时来学习模型参数，即Baum-Welch算法 

维特比算法： 用动态规划解决HMM的预测问题，不是参数估计 

前向后向算法：用来算概率 

极大似然估计：即观测序列和相应的状态序列都存在时的监督学习算法，用来估计参数 

注意的是在给定观测序列和对应的状态序列估计模型参数，可以利用极大似然发估计。如果给定观测序列，没有对应的状态序列，才用EM，将状态序列看不不可测的隐数据。 

题目解析参考自：@BlackEyes_SGC

465题

假定某同学使用Naive Bayesian（NB）分类模型时，不小心将训练数据的两个维度搞重复了，那么关于NB的说法中不正确的是？

点击下方空白区域查看答案
▼

正确答案是： B

解析：

 Fisher线性判别函数是将多维空间中的特征矢量投影到一条直线上，也就是把维数压缩到一维。寻找这条最优直线的准则是Fisher准则：两类样本在一维空间的投影满足类内尽可能密集，类间尽可能分开，也就是投影后两类样本均值之差尽可能大，类内部方差尽可能小。一般而言，对于数据分布近似高斯分布的情况，Fisher线性判别准则能够得到很好的分类效果。

题目来源：七月在线官网（https://www.julyedu.com/）——面试题库——笔试练习——机器学习

今日推荐

【推荐系统实战】

9月29日即将开班

首次全面公开

推荐技术在BAT中的核心应用  

从零开始搭建一个完整的推荐系统

BAT一线讲师 核心算法讲解 九大实战项目

有意的亲们抓紧时间喽

两人及两人以上组团立减100元

想组团者/咨询课程可以

添加下方微信客服

julyedukefu_02

👇

长按识别二维码

 更多资讯

 请戳一戳

往期推荐

【内推】用了这么久支付宝，你难道不想来蚂蚁金服试试吗?

这10种深度学习方法，AI从业者必备！

干货 | 一图掌握整个深度学习核心知识体系【高清下载】

为什么程序员总喜欢在半夜写代码？

2019校招面试必备，15个CNN关键回答集锦【建议收藏】

年薪25万的程序员都选择转行了，究竟是什么行业这么热门？

点击下方 “阅读原文” ，在线报名

↓↓↓