机器学习笔试、面试题 四

1、下面是三个散点图（A，B，C，从左到右）和和手绘的逻辑回归决策边界。
正则化项惩罚度最高的是？

A A

B B

C C

D 都具有相同的正则化

正确答案是：A

解析： 因为正则化意味着更多的罚值和图A所示的较简单的决策界限。

2、下图显示了三个逻辑回归模型的AUC-ROC曲线。不同的颜色表示不同超参数值的曲线。
以下哪个AUC-ROC会给出最佳结果？

A 黄色

B 粉红色

C 黑色

D 都相同

正确答案是：A

解析： 最佳分类是曲线下区域面积最大者，而黄线在曲线下面积最大。

3、如果对相同的数据进行逻辑回归，将花费更少的时间，并给出比较相似的精度（也可能不一样），怎么办？
假设在庞大的数据集上使用Logistic回归模型。可能遇到一个问题，Logistic回归需要很长时间才能训练。

A 降低学习率，减少迭代次数

B 降低学习率，增加迭代次数

C 提高学习率，增加迭代次数

D 增加学习率，减少迭代次数

正确答案是：D

解析： 如果在训练时减少迭代次数，就能花费更少的时间获得相同的精度，但需要增加学习率。

4、Logistic regression（逻辑回归）是一种监督式机器学习算法吗？

A 是

B 否

正确答案是：A

解析：当然，Logistic regression是一种监督式学习算法，因为它使用真假标签进行测试。 测试模型时，监督式学习算法应具有输入变量（x）和目标变量（Y）。

5、Logistic Regression主要用于回归吗？

A 是

B 否

正确答案是： B

解析：逻辑回归是一种分类算法，不要因为名称将其混淆。

6、是否能用神经网络算法设计逻辑回归算法？

A 是

B 否

正确答案是：A

解析：是的，神经网络是一种通用逼近器，因此能够实现线性回归算法。

7、是否可以对三分问题应用逻辑回归算法？

A 是

B 否

正确答案是：A

解析：当然可以对三分问题应用逻辑回归，只需在逻辑回归中使用One Vs all方法。

8、以下哪种方法能最佳地适应逻辑回归中的数据？

A Least Square Error

B Maximum Likelihood

C Jaccard distance

D Both A and B

正确答案是： B

解析： Logistic Regression使用可能的最大似然估值来测试逻辑回归过程。

9、在逻辑回归输出与目标对比的情况下，以下评估指标中哪一项不适用？

A AUC-ROC

B 准确度

C Logloss

D 均方误差

正确答案是：D

解析：因为Logistic Regression是一个分类算法，所以它的输出不能是实时值，所以均方误差不能用于评估它。

10、如下逻辑回归图显示了3种不同学习速率值的代价函数和迭代次数之间的关系（不同的颜色在不同的学习速率下显示不同的曲线）。
为了参考而保存图表后，忘记其中不同学习速率的值。现在需要曲线的倾斜率值之间的关系。
以下哪一个是正确的？
注：
1.蓝色的学习率是L1
2.红色的学习率是L2
3.绿色学习率为lL3

A L1> L2> L3

B L1 = L2 = L3

C L1

D 都不是

正确答案是：C

解析： 如果学习速率低下，代价函数将缓慢下降，学习速度过高，则其代价函数会迅速下降。

1、分析逻辑回归表现的一个良好的方法是AIC，它与线性回归中的R平方相似。有关AIC，以下哪项是正确的？

A 具有最小AIC值的模型更好

B 具有最大AIC值的模型更好

C 视情况而定

D 以上都不是

正确答案是：A，您的选择是：A

解析：AIC信息准则即Akaike information criterion，是衡量统计模型拟合优良性的一种标准，由于它为日本统计学家赤池弘次创立和发展的，因此又称赤池信息量准则。

考虑到AIC=2k-2In(L) ，所以一般而言，当模型复杂度提高（k增大）时，似然函数L也会增大，从而使AIC变小，但是k过大时，似然函数增速减缓，导致AIC增大，模型过于复杂容易造成过拟合现象。目标是选取AIC最小的模型，AIC不仅要提高模型拟合度（极大似然），而且引入了惩罚项，使模型参数尽可能少，有助于降低过拟合的可能性。

综上，我们一般选择逻辑回归中最少的AIC作为最佳模型。有关更多信息，请参阅此来源：www4.ncsu.edu/~shu3/Presentation/AIC.pdf

2、在训练逻辑回归之前需要对特征进行标准化。

A 是

B 否

正确答案是： B

解析：逻辑回归不需要标准化。功能标准化的主要目标是帮助优化技术组合。

3、选择Logistic回归中的One-Vs-All方法中的哪个选项是真实的。

A 我们需要在n类分类问题中适合n个模型

B 我们需要适合n-1个模型来分类为n个类

C 我们需要只适合1个模型来分类为n个类

D 这些都没有

正确答案是：A

解析：如果存在n个类，那么n个单独的逻辑回归必须与之相适应，其中每个类的概率由剩余类的概率之和确定。

4、使用以下哪种算法进行变量选择？

A LASSO

B Ridge

C 两者

D 都不是

正确答案是：A

解析：使用Lasso的情况下，我们采用绝对罚函数，在增加Lasso中罚值后，变量的一些系数可能变为零。

5、以下是两种不同的对数模型，分别为β0和β1。
对于两种对数模型（绿色，黑色）的β0和β1值，下列哪一项是正确的？
注： Y =β0+β1* X。其中β0是截距，β1是系数。

A 绿色的β1大于黑色

B 绿色的β1小于黑色

C 两种颜色的β1相同

D 不能说

正确答案是： B

解析：β0和β1：β0= 0，β1= 1为X1颜色（黑色），β0= 0，β1= -1为X4颜色（绿色）

6、逻辑回归的以下模型：P（y = 1 | x，w）= g（w0 + w1x）其中g（z）是逻辑函数。在上述等式中，通过改变参数w可以得到的P（y = 1 | x; w）被视为x的函数。

A （0，inf）

B （-inf，0）

C （0,1）

D （-inf，inf）

正确答案是：C

解析：对于从-∞到+∞的实数范围内的x的值。逻辑函数将给出（0,1）的输出。

7、下面是三个散点图（A，B，C，从左到右）和和手绘的逻辑回归决策边界。
上图中哪一个显示了决策边界过度拟合训练数据？

A A

B B

C C

D 这些都没有

正确答案是：C

解析：由于在图3中，决策边界不平滑，表明其过度拟合数据

8、逻辑回归的以下模型：P（y = 1 | x，w）= g（w0 + w1x）其中g（z）是逻辑函数。
在上述等式中，通过改变参数w可以得到的P（y = 1 | x; w）被视为x的函数。
在上面的问题中，你认为哪个函数会产生（0,1）之间的p？

A 逻辑函数

B 对数似然函数

C 两者的复合函数

D 都不会

正确答案是：A

解析：对于从-∞到+∞的实数范围内的x的值。逻辑函数将给出（0,1）的输出。

9、下面是三个散点图（A，B，C，从左到右）和和手绘的逻辑回归决策边界。
根据可视化后的结果，能得出什么结论？
1.与第二和第三图相比，第一幅图中的训练误差最大。
2.该回归问题的最佳模型是最后（第三个）图，因为它具有最小的训练误差（零）。
3.第二个模型比第一个和第三个更强，它在不可见数据中表现最好。
4.与第一种和第二种相比，第三种模型过度拟合了。
5.所有的模型执行起来都一样，因为没有看到测试数据。

A 1和3

B 1和3

C 1,3和4

D 5

10、下面是三个散点图（A，B，C，从左到右）和和手绘的逻辑回归决策边界。
假设上述决策边界是针对不同的正则化（regularization）值生成的。那么其中哪一个显示最大正则化？

A A

B B

C C

D 都具有相同的正则化

正确答案是：A

解析： 因为正则化意味着更多的罚值和图A所示的较简单的决策界限。

1、下图显示了三个逻辑回归模型的AUC-ROC曲线。不同的颜色表示不同超参数值的曲线。以下哪个AUC-ROC会给出最佳结果？

A 黄色

B 粉红色

C 黑色

D 都相同

正确答案是：A

解析：最佳分类是曲线下区域面积最大者，而黄线在曲线下面积最大

2、假设你在测试逻辑回归分类器，设函数H为
下图中的哪一个代表上述分类器给出的决策边界？

解析：选项B正确。虽然我们的式子由选项A和选项B所示的y = g（6- x2）表示，但是选项B才是正确的答案，因为当将x2 = 6的值放在等式中时，要使y = g（0）就意味着y = 0.5将在线上，如果你将x2的值增加到大于6，你会得到负值，所以输出将是区域y = 0。

3、所谓几率，是指发生概率和不发生概率的比值。所以，抛掷一枚正常硬币，正面朝上的几率（odds）为多少？

A 0.5

B 1

C 都不是

正确答案是： B

解析：几率（odds）是事件发生不发生概率的比率，正面朝上概率为1/2和反面朝上的概率都为1/2，所以几率为1。

4、Logit函数（给定为l（x））是几率函数的对数。域x = [0,1]中logit函数的范围是多少？

A （ - ∞，∞）

B （0,1）

C （0，∞）

D （ - ∞，0）

正确答案是：A

解析：为了与目标相适应，几率函数具有将值从0到1的概率函数变换成值在0和∞之间的等效函数的优点。当我们采用几率函数的自然对数时，我们便能范围是-∞到∞的值。

5、如果对相同的数据进行逻辑回归，将花费更少的时间，并给出比较相似的精度（也可能不一样），怎么办？
（假设在庞大的数据集上使用Logistic回归模型。可能遇到一个问题，Logistic回归需要很长时间才能训练。）

A 降低学习率，减少迭代次数

B 降低学习率，增加迭代次数

C 提高学习率，增加迭代次数

D 增加学习率，减少迭代次数

正确答案是：D

解析：如果在训练时减少迭代次数，就能花费更少的时间获得相同的精度，但需要增加学习率。

6、以下哪些选项为真？

A 线性回归误差值必须正态分布，但是在Logistic回归的情况下，情况并非如此

B 逻辑回归误差值必须正态分布，但是在线性回归的情况下，情况并非如此

C 线性回归和逻辑回归误差值都必须正态分布

D 线性回归和逻辑回归误差值都不能正态分布

正确答案是：A

7、以下哪个图像显示y = 1的代价函数？
以下是两类分类问题的逻辑回归（Y轴损失函数和x轴对数概率）的损失函数。注：Y是目标类

A A

B B

C 两者

D 这些都没有

正确答案是：A

解析：A正确，因为损失函数随着对数概率的增加而减小

8、对于任意值“x”，考虑到
Logistic（x）：是任意值“x”的逻辑（Logistic）函数
Logit（x）：是任意值“x”的logit函数
Logit_inv（x）：是任意值“x”的逆逻辑函数
以下哪一项是正确的？

A Logistic（x）= Logit（x）

B Logistic（x）= Logit_inv（x）

C Logit_inv（x）= Logit（x）

D 都不是

正确答案是： B

9、假设，下图是逻辑回归的代价函数，现在，图中有多少个局部最小值？

A 1

B 2

C 3

D 4

正确答案是：D

解析：图中总共有四个凹的地方，故有四个局部最小值

10、使用 high(infinite) regularisation时偏差会如何变化？，有散点图“a”和“b”两类（蓝色为正，红色为负）。在散点图“a”中，使用了逻辑回归（黑线是决策边界）对所有数据点进行了正确分类。

A偏差很大

B  偏差很小

C 不确定

D 都不是

正确答案是：A

解析：模型变得过于简单，所以偏差会很大。

最后

以上就是细腻芒果为你收集整理的机器学习笔试、面试题 四的全部内容，希望文章能够帮你解决机器学习笔试、面试题 四所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。