来源：CSDN
本篇是機器學習面試200題第四篇，由於篇幅太長，本篇介紹61–80題~
感興趣的話請持續關注唷XD
系列篇1指路
系列篇2指路
系列篇3指路
61.Python是如何進行記憶體管理的？
2017 Python最新面試題及答案16道題
http://www.cnblogs.com/tom-gao/p/6645859.html
62.請寫出一段Python程式碼實現刪除一個list裡面的重複元素。
1、使用set函式，set(list)；
2、使用字典函式：
1 a=[1,2,4,2,4,5,6,5,7,8,9,0]
2 b={}
3 b=b.fromkeys(a)
4 c=list(b.keys())
5 c63.程式設計用sort進行排序，然後從最後一個元素開始判斷。
1 a=[1,2,4,2,4,5,7,10,5,5,7,8,9,0,3]
2
3 a.sort()
4 last=a[-1]
5 for i inrange(len(a)-2,-1,-1):
6 if last==a[i]:
7 del a[i]
8 else:last=a[i]
9 print(a)64.Python裡面如何生成隨機數？
random模組
隨機整數：random.randint(a,b)：返回隨機整數x,a<=x<=b random.randrange(start,stop,[,step])：返回一個範圍在(start,stop,step)之間的隨機整數，不包括結束值。
隨機實數：random.random( ):返回0到1之間的浮點數random.uniform(a,b):返回指定範圍內的浮點數。
65.說說常見的損失函式。
對於給定的輸入X，由f(X)給出相應的輸出Y，這個輸出的預測值f(X)與真實值Y可能一致也可能不一致（要知道，有時損失或誤差是不可避免的），用一個損失函式來度量預測錯誤的程度。損失函式記為L(Y, f(X))。
常用的損失函式有以下幾種（基本引用自《統計學習方法》）：
66.簡單介紹下Logistics迴歸。
Logistic迴歸目的是從特徵學習出一個0/1分類模型，而這個模型是將特性的線性組合作為自變數，由於自變數的取值範圍是負無窮到正無窮。因此，使用logistic函式（或稱作sigmoid函式）將自變數對映到(0,1)上，對映後的值被認為是屬於y=1的概率。
假設函式：
其中x是n維特徵向量，函式g就是Logistic函式。而：g(z)=11+e−zg(z)=11+e−z的影象是：
可以看到，將無窮對映到了(0,1)。而假設函式就是特徵屬於y=1的概率。
67.看你是搞視覺的，熟悉哪些CV框架，順帶聊聊CV最近五年的發展史如何？
68.深度學習在視覺領域有何前沿進展？
@元峰
本題解析來源：深度學習在計算機視覺領域的前沿進展
https://zhuanlan.zhihu.com/p/24699780
69.HashMap與HashTable區別？
HashMap與Hashtable的區別
http://oznyang.iteye.com/blog/30690
70.在分類問題中,我們經常會遇到正負樣本資料量不等的情況,比如正樣本為10w條資料,負樣本只有1w條資料,以下最合適的處理方法是( )
A、將負樣本重複10次,生成10w樣本量,打亂順序參與分類
B、直接進行分類,可以最大限度利用資料
C、從10w正樣本中隨機抽取1w參與分類
D、將負樣本每個權重設定為10,正樣本權重為1,參與訓練過程
@管博士：準確的說，其實選項中的這些方法各有優缺點，需要具體問題具體分析，有篇文章對各種方法的優缺點進行了分析，講的不錯 感興趣的同學可以參考一下：
How to handle Imbalanced Classification Problems in machine learning?
https://www.analyticsvidhya.com/blog/2017/03/imbalanced-classification-problem/
71.深度學習是當前很熱門的機器學習演算法，在深度學習中，涉及到大量的矩陣相乘，現在需要計算三個稠密矩陣A,B,C的乘積ABC,假90設三個矩陣的尺寸分別為m∗n，n∗p，p∗q，且m <n <p <q，以下計算順序效率最高的是（A）
A.(AB)C
B.AC(B)
C.A(BC)
D.所有效率都相同
正確答案：A
@BlackEyes_SGC：m*n*p <m*n*q,m*p*q < n*p*q, 所以 (AB)C 最小
72.Nave Bayes是一種特殊的Bayes分類器,特徵變數是X,類別標籤是C,它的一個假定是:( C )
A.各類別的先驗概率P(C)是相等的
B.以0為均值，sqr(2)/2為標準差的正態分佈
C.特徵變數X的各個維度是類別條件獨立隨機變數
D.P(X|C)是高斯分佈
正確答案：C
@BlackEyes_SGC：樸素貝葉斯的條件就是每個變數相互獨立。
73.關於支援向量機SVM,下列說法錯誤的是（C）
A.L2正則項，作用是最大化分類間隔，使得分類器擁有更強的泛化能
B.Hinge 損失函式，作用是最小化經驗分類錯誤
C.分類間隔為1||w||1||w||，||w||代表向量的模
D.當引數C越小時，分類間隔越大，分類錯誤越多，趨於欠學習
正確答案：C
A正確。考慮加入正則化項的原因：想象一個完美的資料集，y>1是正類，y<-1是負類，決策面y=0，加入一個y=-30的正類噪聲樣本，那麼決策面將會變“歪”很多，分類間隔變小，泛化能力減小。加入正則項之後，對噪聲樣本的容錯能力增強，前面提到的例子裡面，決策面就會沒那麼“歪”了，使得分類間隔變大，提高了泛化能力。
B正確。
C錯誤。間隔應該是2||w||2||w||才對，後半句應該沒錯，向量的模通常指的就是其二範數。
D正確。考慮軟間隔的時候，C對優化問題的影響就在於把a的範圍從[0，+inf]限制到了[0,C]。C越小，那麼a就會越小，目標函式拉格朗日函式導數為0可以求出w=∑iai∗yi∗xiw=∑iai∗yi∗xi，a變小使得w變小，因此間隔2||w||2||w||變大
74.在HMM中,如果已知觀察序列和產生觀察序列的狀態序列,那麼可用以下哪種方法直接進行引數估計( D )
A.EM演算法
B.維特比演算法
C.前向後向演算法
D.極大似然估計
正確答案：D
EM演算法：只有觀測序列，無狀態序列時來學習模型引數，即Baum-Welch演算法
維特比演算法：用動態規劃解決HMM的預測問題，不是引數估計
前向後向演算法：用來算概率
極大似然估計：即觀測序列和相應的狀態序列都存在時的監督學習演算法，用來估計引數
注意的是在給定觀測序列和對應的狀態序列估計模型引數，可以利用極大似然發估計。如果給定觀測序列，沒有對應的狀態序列，才用EM，將狀態序列看不不可測的隱資料。
75.假定某同學使用Naive Bayesian（NB）分類模型時，不小心將訓練資料的兩個維度搞重複了，那麼關於NB的說法中正確的是：(BD)
A.這個被重複的特徵在模型中的決定作用會被加強
B.模型效果相比無重複特徵的情況下精確度會降低
C.如果所有特徵都被重複一遍，得到的模型預測結果相對於不重複的情況下的模型預測結果一樣。
D.當兩列特徵高度相關時，無法用兩列特徵相同時所得到的結論來分析問題
E.NB可以用來做最小二乘迴歸
F.以上說法都不正確
@BlackEyes_SGC：NB的核心在於它假設向量的所有分量之間是獨立的。在貝葉斯理論系統中，都有一個重要的條件獨立性假設：假設所有特徵之間相互獨立，這樣才能將聯合概率拆分。
76.以下哪些方法不可以直接來對文字分類？(A)
A、Kmeans
B、決策樹
C、支援向量機
D、KNN
正確答案: A分類不同於聚類。
@BlackEyes_SGC：A：Kmeans是聚類方法，典型的無監督學習方法。分類是監督學習方法，BCD都是常見的分類方法。
77.已知一組資料的協方差矩陣P,下面關於主分量說法錯誤的是( C )
A、主分量分析的最佳準則是對一組資料進行按一組正交基分解, 在只取相同數量分量的條件下,以均方誤差計算截尾誤差最小
B、在經主分量分解後,協方差矩陣成為對角矩陣
C、主分量分析就是K-L變換
D、主分量是通過求協方差矩陣的特徵值得到
正確答案: C
@BlackEyes_SGC：K-L變換與PCA變換是不同的概念，PCA的變換矩陣是協方差矩陣，K-L變換的變換矩陣可以有很多種（二階矩陣、協方差矩陣、總類內離散度矩陣等等）。當K-L變換矩陣為協方差矩陣時，等同於PCA。
78.Kmeans的複雜度？
時間複雜度：O(tKmn)，其中，t為迭代次數，K為簇的數目，m為記錄數，n為維數空間複雜度：O((m+K)n)，其中，K為簇的數目，m為記錄數，n為維數。
具體參考：機器學習之深入理解K-means、與KNN演算法區別及其程式碼實現
http://blog.csdn.net/sinat_35512245/article/details/55051306
79.關於Logit 迴歸和SVM 不正確的是（A）
A. Logit迴歸本質上是一種根據樣本對權值進行極大似然估計的方法，而後驗概率正比於先驗概率和似然函式的乘積。logit僅僅是最大化似然函式，並沒有最大化後驗概率，更談不上最小化後驗概率。A錯誤
B. Logit迴歸的輸出就是樣本屬於正類別的機率，可以計算出概率，正確
C. SVM的目標是找到使得訓練資料儘可能分開且分類間隔最大的超平面，應該屬於結構風險最小化。
D. SVM可以通過正則化係數控制模型的複雜度，避免過擬合。
@BlackEyes_SGC：Logit迴歸目標函式是最小化後驗概率，Logit迴歸可以用於預測事件發生概率的大小，SVM目標是結構風險最小化，SVM可以有效避免模型過擬合。
80.輸入圖片大小為200×200，依次經過一層卷積（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一層卷積（kernel size 3×3，padding 1，stride 1）之後，輸出特徵圖大小為：（）
正確答案：97
@BlackEyes_SGC：計算尺寸不被整除只在GoogLeNet中遇到過。卷積向下取整，池化向上取整。
本題 （200–5+2*1）/2+1 為99.5，取99
（99–3）/1+1 為97
（97–3+2*1）/1+1 為97
研究過網路的話看到stride為1的時候，當kernel為 3 padding為1或者kernel為5 padding為2 一看就是卷積前後尺寸不變。計算GoogLeNet全過程的尺寸也一樣。
關注數據君的臉書：
我是「數據分析那些事」。常年分享數據分析乾貨，不定期分享好用的職場技能工具。按讚我的臉書並私訊「10」，送你十週入門數據分析電子書唷！
