1. 基础知识

• 什么是监督学习和无监督学习？
  • 监督学习是基于已标注的训练数据来学习预测模型；无监督学习则是在没有标签的数据上进行学习，寻找数据的结构或模式。
• 什么是过拟合和欠拟合？
  • 过拟合是指模型在训练数据上表现很好，但在测试数据上表现差。欠拟合是指模型在训练数据上和测试数据上都表现差。
• 解释一下偏差-方差权衡。
  • 偏差是指模型的预测误差，方差是指模型对训练数据的敏感度。过高的偏差通常导致欠拟合，过高的方差通常导致过拟合。
• 什么是交叉验证？
  • 交叉验证是将数据分成多个子集，使用不同的子集进行训练和测试，从而评估模型的泛化能力。

2. 常见算法

• 解释一下线性回归的原理。
  • 线性回归是通过拟合一条直线来预测输出，假设输入特征与输出之间存在线性关系。
• 什么是逻辑回归？
  • 逻辑回归是一种分类算法，主要用于二分类问题。它使用sigmoid函数将线性回归的输出转换为概率值。
• 决策树是如何工作的？
  • 决策树通过递归地选择最佳特征来进行数据划分，直到满足停止条件为止，形成树状结构。
• 随机森林与决策树的区别。
  • 随机森林是集成学习方法，使用多个决策树的输出进行投票或平均，通常比单一的决策树更强大。
• SVM的工作原理是什么？
  • 支持向量机（SVM）通过寻找最佳的超平面来分类数据，使得类间的间隔最大化。

3. 模型评估与优化

• 如何评估分类模型的性能？
  • 使用准确率、召回率、F1分数、ROC曲线和AUC等指标。