前言

在網上找的一些試題及延伸的一些問題，以選擇題為主，主要是關於基礎理論知識，同時給出自己聯想到的一些問題。當然基礎問題應當包含演算法本身的過程和某些推導過程。比如：LR、SVM的推導。

試題

試題1： 已知座標軸中兩點A(2,−2)B(−1,2)，求這兩點的曼哈頓距離（L1距離）。

 答案：7 。向量AB(-3,4),L1 是向量中非零元素的絕對值和。

問題延伸：機器學習演算法中哪些應用了L1，哪些應用了L2.

參考連結正則化技術

試題2：SVM中的核技巧（Kernal trick）的作用包括以下哪項？

A. 特徵升維
B. 特徵降維
C. 防止過擬合

答案：C 

核技巧使用核函式將樣本從原特徵空間對映到更高維的空間，使得樣本在更高維的空間中線性可分。

問題延伸：SVM的核函式本質及推導過程。

試題3： 在資料預處理階段，我們常常對數值特徵進行歸一化或標準化(standardization, normalization)處理。這種處理方式理論上不會對下列哪個模型產生很大影響？

 A. k-Means
B. k-NN
C. 決策樹

答案：C

k-Means和k-NN都需要使用距離。而決策樹對於數值特徵，只在乎其大小排序，而非絕對大小。不管是標準化或者歸一化，都不會影響數值之間的相對大小。關於決策樹如何對數值特徵進行劃分

問題延伸：機器學習那些演算法是進行歸一化處理或標準化。

試題4：下面哪個情形不適合作為K-Means迭代終止的條件？

  A. 前後兩次迭代中，每個聚類中的成員不變

答案：B

A和C是等價的，因為中心點是聚類中成員各座標的均值

問題延伸：K-means的k值選擇及更新，迭代終止的兩個條件。

試題5：關於欠擬合（under-fitting），下面哪個說法是正確的？

  A. 訓練誤差較大，測試誤差較小
 B. 訓練誤差較小，測試誤差較大
C. 訓練誤差較大，測試誤差較大

答案：C

當欠擬合發生時，模型還沒有充分學習訓練集中基本有效資訊，導致訓練誤差太大。測試誤差也會較大，因為測試集中的基本資訊（分佈）是

與訓練集相一致的。

延伸問題：模型狀態？怎樣判定？工具是什麼？