BAT机器学习面试1000题（686~690题）

会员服务 ·

BAT机器学习面试1000题（686~690题）

2018 年 12 月 6 日 七月在线实验室

点击上方蓝字关注

BAT机器学习面试1000题（686~690题）

686题

在 k-均值算法中，以下哪个选项可用于获得全局最小？

1 尝试为不同的质心（centroid）初始化运行算法

2 调整迭代的次数

3 找到集群的最佳数量

A、2 和 3

B、1 和 3

C、1 和 2

D、以上所有

点击下方空白区域查看答案
▼

正确答案是：D

解析：

答案（D）：所有都可以用来调试以找到全局最小。

687题

假设你正在做一个项目，它是一个二元分类问题。你在数据集上训练一个模型，并在验证数据集上得到混淆矩阵。基于上述混淆矩阵，下面哪个选项会给你正确的预测。

1 精确度是~0.91

2 错误分类率是~0.91

3 假正率（False correct classification）是~0.95

4 真正率（True positive rate）是~0.95

A、1 和 3

B、2 和 4

C、1 和 4

D、2 和 3

点击下方空白区域查看答案
▼

正确答案是：C

解析：

答案（C）：精确度（正确分类）是 (50+100)/165，约等于 0.91。真正率是你正确预测正分类的次数，因此真正率将是 100/105 = 0.95，也被称作敏感度或召回。

688题

对于下面的超参数来说，更高的值对于决策树算法更好吗？

1 用于拆分的样本量

2 树深

3 树叶样本

A、1 和 2

B、2 和 3

C、1 和 3

D、1、2 和 3

E、无法分辨

点击下方空白区域查看答案
▼

正确答案是：E

解析：

答案（E）：对于选项 A、B、C 来说，如果你增加参数的值，性能并不一定会提升。例如，如果我们有一个非常高的树深值，结果树可能会过拟合数据，并且也不会泛化。另一方面，如果我们有一个非常低的值，结果树也许与数据欠拟合。因此我们不能确定更高的值对于决策树算法就更好。

689题

想象一下，你有一个 28x28 的图片，并使用输入深度为 3 和输出深度为 8 在上面运行一个 3x3 的卷积神经网络。注意，步幅padding是1，你正在使用相同的填充（padding）。当使用给定的参数时，输出特征图的尺寸是多少？

A、28 宽、28 高、8 深

B、13 宽、13 高、8 深

C、28 宽、13 高、8 深

D、13 宽、28 高、8 深

点击下方空白区域查看答案
▼

正确答案是：A

解析：

答案（A）

计算输出尺寸的公式是：输出尺寸=(N – F)/S + 1。其中，N 是输入尺寸，F 是过滤器尺寸，S 是步幅。更多可阅读这篇文章（链接：https://www.analyticsvidhya.com/blog/2016/04/deep-learning-computer-vision-introduction-convolution-neural-networks/）获得更多了解。

690题

假设，我们正在 SVM 算法中为 C（惩罚参数）的不同值进行视觉化绘图。由于某些原因，我们忘记了使用视觉化标注 C 值。这个时候，下面的哪个选项在 rbf 内核的情况下最好地解释了下图（1、2、3 从左到右，图 1 的 C 值是 C 1，图 2 的 C 值是 C 2，图 3 的 C 值是 C 3）中的 C 值。

A、C1 = C2 = C3

B、C1 > C2 > C3

C、C1 < C2 < C3

D、没有一个

点击下方空白区域查看答案
▼

正确答案是：C

解析：

答案 (C)：错误项的惩罚参数 C。它也控制平滑决策边界和训练点正确分类之间的权衡。对于 C 的大值，优化会选择一个较小边距的超平面。更多内容：https://www.analyticsvidhya.com/blog/2015/10/understaing-support-vector-machine-example-code/