1、机器学习期末复习试卷_zhouyan2000的博客-CSDN博客_机器学习期末考试}

2、[机器学习笔试题]((4条消息) 机器学习笔试题目_北冥有小鱼-CSDN博客_机器学习题目)

3、机器学习面试题

4、一天1个机器学习知识点（一）_猫猫玩机器学习的博客-CSDN博客

5、山东大学软件学院机器学习（考试）——期末考试回忆版_ALTLI的博客-CSDN博客_机器学习期末

6、机器学习试题_AI_盲的博客-CSDN博客_机器学习试卷

7、机器学习题 【含答案和解析】_52learn-CSDN博客

8、机器学习与数据挖掘期末考试复习重点整理 - 库妍 - 博客园 (cnblogs.com)

9、机器学习期末试题 (renrendoc.com)

10、机器学习期末试题.doc (book118.com)

(1)什么是互信息 (2)用互信息（信息增益）选择的目的是什么，能带来什么效果 (3)怎么防止过拟合？

(1) 对于样本x，其标签为0/1，若x真实标签为0，错误划分为1的损失为a， 若x真实标签为1，错误划分为0的损失为b， 求最优决策方法 (2)结合图画出来。

(1)线性可分时的优化目标，约束条件 (2)线性不可分咋整 (3)支持向量的意义

(1)机器学习估计参数模型的方法 (2)这些方法有什么不同 (3)这些方法什么时候趋于一致

(1)逻辑回归为什么优化函数使用条件分布log(Y|x)而不是联合分布log(x,Y) (2)逻辑回归的推导

(1)从信号重构角度推导pca (2)怎么实现信号压缩

(1)k-means流程 (2)k-means目标函数 (3)k-means和em算法的不同

实验一是非线性回归，怎么将非线性回归变成线性回归

一、名词解释

聚类 似然 剪枝 K最近邻 二、简答题

1号碗中装有30个水果味糖和10个巧克力味糖，2号碗中装有20个水果糖和20个巧克力糖。现摸出一个水果糖求是从1号碗中摸出的 概率。 简述KNN的基本思想和优缺点 简述集成思想和bagging和adaboost异同 简述ID3的优缺点，以及决策树中如何防止过拟合 三、综合题

SVM的定义 SVM解决线性不可分问题的方法和基本思想 对偶形式的推导 四、综合题

比较神经网络和SVM 如果激活函数为线性函数的缺陷 简述学习率的影响 举例生活中应用神经网络的例子，并简述其影响

在网上找的一些试题及延伸的一些问题，以选择题为主，主要是关于基础理论知识，同时给出自己联想到的一些问题。当然基础问题应当包含算法本身的过程和某些推导过程。比如：LR、SVM的推导。

试题1： 已知坐标轴中两点A(2,−2)B(−1,2)，求这两点的曼哈顿距离（L1距离）。

答案：7 。向量AB(-3,4),L1 是向量中非零元素的绝对值和。

问题延伸：机器学习算法中哪些应用了L1，哪些应用了L2.

参考链接正则化技术

试题2：SVM中的核技巧（Kernal trick）的作用包括以下哪项？

A. 特征升维 B. 特征降维 C. 防止过拟合

答案：C

核技巧使用核函数将样本从原特征空间映射到更高维的空间，使得样本在更高维的空间中线性可分。

问题延伸：SVM的核函数本质及推导过程。

试题3： 在数据预处理阶段，我们常常对数值特征进行归一化或标准化(standardization, normalization)处理。这种处理方式理论上不会对下列哪个模型产生很大影响？

A. k-Means B. k-NN C. 决策树

答案：C

k-Means和k-NN都需要使用距离。而决策树对于数值特征，只在乎其大小排序，而非绝对大小。不管是标准化或者归一化，都不会影响数值之间的相对大小。关于决策树如何对数值特征进行划分

问题延伸：机器学习那些算法是进行归一化处理或标准化。

试题4：下面哪个情形不适合作为K-Means迭代终止的条件？

A. 前后两次迭代中，每个聚类中的成员不变 B. 前后两次迭代中，每个聚类中样本的个数不变 C. 前后两次迭代中，每个聚类的中心点不变

答案：B

A和C是等价的，因为中心点是聚类中成员各坐标的均值

问题延伸：K-means的k值选择及更新，迭代终止的两个条件。

试题5：关于欠拟合（under-fitting），下面哪个说法是正确的？

A. 训练误差较大，测试误差较小 B. 训练误差较小，测试误差较大 C. 训练误差较大，测试误差较大

答案：C

当欠拟合发生时，模型还没有充分学习训练集中基本有效信息，导致训练误差太大。测试误差也会较大，因为测试集中的基本信息（分布）是

与训练集相一致的。

延伸问题：模型状态？怎样判定？工具是什么？

1、[HITML]哈工大2020秋机器学习Lab3实验报告_北言栾生的博客-CSDN博客

2、[HITML]哈工大2020秋机器学习Lab2实验报告_北言栾生的博客-CSDN博客

1、机器学习面试题库：1-10题（1day）_cui1004的博客-CSDN博客

2、机器学习面试题库：11-20题（2day）_cui1004的博客-CSDN博客

3、机器学习面试题库：21-30题（3day）_cui1004的博客-CSDN博客

4、机器学习面试题库：31-40题（4day）_cui1004的博客-CSDN博客

5、机器学习面试题库：41-50题（5day）_cui1004的博客-CSDN博客

建议关注博客cui1004的博客_空城不空99_CSDN博客-算法,java,Tensorflow学习领域博主

期末考试题型： 判断题：共8题，16分 填空题 ：共12题，24分 简答题：共5题，30分 演算题：共2题，30分 同学们在准备期末考试时，对学习过的算法，首先要掌握算法的思想，并且能理解算法的数学表达。 考试重点：决策树，支持向量机，集成学习，朴素贝叶斯，逻辑斯蒂回归，线性判别分析，模型性能度量 其中演算题是决策树信息增益计算、朴素贝叶斯分类器！！ SVM很重要，群文件中有机器学习SVM习题集，大家可以参考学习！！

《机器学习》期末考试范围 一、试题范围： 课后习题及学习通作业（80%）+课本内容理解（20%，该部分题目不在课后习题范围内） 二、教材内容及课后习题(具体章节范围放在群文件中) 第1章：绪论 第2章：模型评估与选择 第3章：线性模型 第4章：决策树 第6章：支持向量机 第7章：贝叶斯分类器 第8章 集成学习 三、成绩评定方式 总评成绩=期末考试（70%）+平时成绩（30%，包括学习通作业20%与考勤10%） 四、考试时间与地点： 时间：6月10日（第15周星期四）5-6节 地点：计算机学院（环安楼），8-410