机器学习-机器学习试题(一)_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

前言

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

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？