关于人工智能:测试数据科学家进行机器学习的40个问题

作者 |ANKIT GUPTA
编译 |Flin
起源 |analyticsvidhya

机器学习是近来最受欢迎的技能之一。咱们组织了各种技能测试，以便数据科学家能够查看本人的这些要害技能。这些测试包含机器学习，深度学习，工夫序列问题和概率。本文将为机器学习技能测试提供解决方案。如果你错过了上述任何一项技能测试，依然能够通过上面的链接查看问题和答案。

机器学习
- https://courses.analyticsvidh…
深度学习
- https://www.analyticsvidhya.c…
工夫序列问题
- https://www.analyticsvidhya.c…
概率
- https://www.analyticsvidhya.c…

在机器学习技能测试中，有 1350 多人报名加入了该测试。该测试旨在测试你是否把握了机器学习中的概念常识。如果你错过了实时测试，依然能够浏览本文，并理解如何正确答复这些问题。

这是所有参与者的排行榜排名。

https://datahack.analyticsvid…

这些问题，以及其余数百个问题，都是咱们“Ace 数据迷信访谈”课程（https://courses.analyticsvidh…）的一部分。这是一个综合指南，有大量的资源。如果你刚刚开始你的数据迷信之旅，那么看看咱们最受欢迎的课程——“数据迷信导论”！（https://courses.analyticsvidh…）

以下是散布得分，它们将帮忙你评估本人的问题。

你能够在此处（https://datahack.analyticsvid…）拜访最终问题。超过 210 人加入了技能测试，取得的最高分是 36。以下是无关分数的一些统计数据。

均匀得分：19.36

中位数得分：21

模式得分：27

https://www.analyticsvidhya.c…
https://courses.analyticsvidh…
https://courses.analyticsvidh…
https://www.analyticsvidhya.c…
https://www.analyticsvidhya.c…

A）特色 F1 是定类变量的示例。
B）特色 F1 是定序变量的示例。
C）它不属于上述任何类别。
D）这两个都是

解决方案：（B）

定序变量是在其类别中具备某些程序的变量。例如，应将 A 级视为比 B 级更高的等级。

A）PCA

B）K-Means

C）以上都不是

解决方案：（A）

确定性算法是在不同的运行中，其输入不会扭转的算法。如果咱们再次运行，PCA 会给出雷同的后果，但 K -Means 不会。

A）对

B）错

解决方案：（A）

Y = X2。请留神，它们不仅相干，而且一个变量是另一个变量的函数，并且它们之间的皮尔逊相关性为零。

在 GD 和 SGD 中，你以迭代形式更新一组参数以最小化误差函数。
在 SGD 中，你必须遍历训练集中的所有样本，能力在每次迭代中一次更新参数。
在 GD 中，你能够应用整个数据或训练数据的子集在每次迭代中更新参数。

A）仅 1

B）只有 2

C）只有 3

D）1 和 2

E）2 和 3

F）1,2 和 3

解决方案：（A）

在每次迭代的 SGD 中，通常抉择蕴含随机数据样本的批次，但对于 GD，每次迭代均蕴含所有训练观测值。

树数
树深
学习率

A）仅 1

B）只有 2

C）只有 3

D）1 和 2

E）2 和 3

F）1, 2 和 3

解决方案：（B）

通常，如果咱们减少树的深度，将导致适度拟合。学习率不是随机森林中的超参数。树的数量减少将导致拟合有余。

你的剖析基于诸如作者姓名，同一位作者过来在 Analytics Vidhya 上撰写的文章数之类的特色以及其余一些特色。在这种状况下，你会抉择以下哪个评估指标？

均方误差
准确性
F1 分数

A）仅 1

B）只有 2

C）只有 3

D）1 和 3

E）2 和 3

F）1 和 2

解决方案：（A）

能够认为文章的观看次数是属于回归问题的间断指标变量。因而，均方误差将被用作评估指标。

A）1 是 tanh，2 是 ReLU，3 是 SIGMOID 激活函数。

B）1 是 SIGMOID，2 是 ReLU，3 是 tanh 激活函数。

C）1 是 ReLU，2 是 tanh，3 是 SIGMOID 激活函数。

D）1 是 tanh，2 是 SIGMOID，3 是 ReLU 激活函数。

解决方案：（D）

SIGMOID 函数的范畴是 [0,1]。

tanh 函数的范畴是 [-1,1]。

RELU 函数的范畴是 [0，infinity]。

因而，选项 D 是正确的答案。

A) -(5/8 log(5/8) + 3/8 log(3/8))

B) 5/8 log(5/8) + 3/8 log(3/8)

C) 3/8 log(5/8) + 5/8 log(3/8)

D) 5/8 log(3/8) – 3/8 log(5/8)

解决方案：（A）

熵的公式是

所以答案是 A。

A）分类变量的所有类别都不在测试数据集中。

B）与测试数据集相比，类别中的频率散布在训练集中有所不同。

C）训练集和测试集始终具备雷同的散布。

D）A 和 B

E）这些都不是

解决方案：（D）

两者都是正确的，OHE 将无奈对测试集中存在但不在训练集中的类别进行编码，因而这可能是利用 OHE 时的次要挑战之一。如果在训练和测试中的频率散布不雷同，则选项 B 中的挑战也的确存在，你在利用 OHE 时须要更加小心。

A）A

B）B

C）A 和 B

D）这些都不是

解决方案：（B）

Word2vec 算法中应用了两个模型（model1 和 model2）。model1 代表 CBOW 模型，而 Model2 代表 Skip gram 模型。

A) ReLU

B) tanh

C) SIGMOID

D）这些都不是

解决方案：（B）

该函数为 tanh，因为此函数的输入范畴在（-1，-1）之间。

A）真
B）假

解决方案：（B）

对数损失不能为负值。

Type1 被称为误报，Type2 被称为漏报。
Type1 被称为漏报，Type2 被称为误报。
当咱们回绝原假如为空的假如时，就会产生 Type1 谬误。

A）仅 1

B）只有 2

C）只有 3

D）1 和 2

E）1 和 3

F）2 和 3

解决方案：（E）

在统计假设检验中，I 型谬误是对实在无效假设（“误报”）的谬误回绝，而 II 型谬误则是谬误地保留了虚伪假如（“漏报”）。

词干提取
删除进展词
对象标准化

A）1 和 2

B）1 和 3

C）2 和 3

D）1,2 和 3

解决方案：（D）

词干提取是从单词中去除后缀（“ing”，“ly”，“es”，“s”等）的基于规定的根本过程。

进展词是那些与数据上下文无关的词，例如 is / am / are。

对象标准化也是预处理文本的好办法之一。

A）X_projected_PCA 将在最近邻空间中进行解释。

B）X_projected_tSNE 将在最近邻空间中进行解释。

C）两者都将在最近邻空间中进行解释。

D）他们都不会在最近邻空间进行解释。

解决方案：（B）

t-SNE 算法思考最近邻点以缩小数据的维数。因而，在应用 t -SNE 之后，咱们能够认为放大的维数也将在最近邻空间中失去解释。然而对于 PCA 则不是这样。

上面给出的是两个特色的三个散点图。

A）图片 1 中的函数

B）图片 2 中的函数

C）图片 3 中的函数

D）图片 1 和 2 中的函数

E）图片 2 和 3 中的函数

F）图片 3 和 1 中的函数

解决方案：（D）

在图像 1 中，特色具备高正相关性，而在图像 2 中，特色之间具备高负相关性，因而在两个图像中，特色对都是多重共线特色的示例。

删除两个共线变量。
删除两个共线变量中的一个变量。
删除相干变量可能会导致信息失落。为了保留这些变量，咱们能够应用惩办回归模型，例如岭回归或套索回归。

A）仅 1

B）仅 2

C）仅 3

D）1 或 3

E）2 或 3

解决方案：（E）

你不能同时删除这两个特色，因为在删除这两个特色之后，你将失落所有信息，因而你应该删除仅一个特色，或者能够应用 L1 和 L2 等正则化算法。

R 平方减少
R 平方缩小

A）只有 1 正确

B）只有 2 正确

C）1 或 2

D）这些都不是

解决方案：（A）

在特色空间中增加特色后，无论该特色是重要特色还是不重要特色，R 平方始终会减少。

当初，你在 X 的所有值中加了 2（即新值变为 X + 2），从 Y 的所有值中减去了 2（即新值是 Y -2），Z 放弃不变。（X，Y），（Y，Z）和（X，Z）的新系数别离由 D1，D2 和 D3 给出。D1，D2 和 D3 的值与 C1，C2 和 C3 有什么关系？

A）D1 = C1，D2 < C2，D3 > C3

B）D1 = C1，D2 > C2，D3 > C3

C）D1 = C1，D2 > C2，D3 < C3

D）D1 = C1，D2 < C2，D3 < C3

E）D1 = C1，D2 = C2，D3 = C3

F）无奈确定

解决方案：（E）

如果你在特色中增加或减去一个值，则特色之间的相关性不会扭转。

对测试数据进行预测后，你的模型具备 99%的准确性。在这种状况下，以下哪一项是正确的？

对于类别不均衡问题，准确性度量不是一个好主见。
精度度量是解决类别不均衡问题的一个好主见。
准确性和召回率指标对于解决类别不均衡问题很有用。
精度和召回率指标不适用于类别不均衡问题。

A）1 和 3

B）1 和 4

C）2 和 3

D）2 和 4

解决方案：（A）

参考本文中的问题 4。

https://www.analyticsvidhya.c…

对于集成模型中应用的弱学习模型，以下哪个陈说是正确的？

他们通常不会过拟合。
他们有很高的偏差，所以不能解决简单的学习问题
他们通常过拟合。

A）1 和 2

B）1 和 3

C）2 和 3

D）仅 1

E）只有 2

F）以上都不是

解决方案：（A）

弱学习模型会确定问题的特定局部。因而，他们通常不会过拟合，这意味着学习能力弱的学习模型具备较低的方差和较高的偏差。

K 的减少将导致穿插验证后果所需的工夫更长。
与较低的 K 值相比，较高的 K 值将导致穿插验证后果的置信度较高。
如果 K = N，则称为“留一法 (穿插验证法）”，其中 N 是察看数。

A）1 和 2

B）2 和 3

C）1 和 3

D）1,2 和 3

解决方案：（D）

k 值越大，意味着对高估实在预期误差的偏差就越小（因为训练倍数将更靠近于总数据集），而运行工夫则更长（随着你越来越靠近极限状况：留一法穿插验证）。抉择 k 时，咱们还须要思考 k 倍精度之间的方差。

** 穿插验证是机器学习中超参数调整的重要步骤。假如你正在通过应用 5 折穿插验证从基于树的模型的 10 个不同深度值（值大于 2）中抉择 GBM 来调整 GBM 的超参数“max_depth”。
一个算法（在最大深度为 2 的模型上）4 折的训练工夫是 10 秒，剩下 1 折的预测工夫是 2 秒。
留神：公式中疏忽硬件依赖性。**

A）少于 100 秒

B）100 – 300 秒

C）300 – 600 秒

D）大于或等于 600 秒

E）以上都不是

F）无奈估算

解决方案：（D）

5 折穿插验证中深度“2”的每次迭代将破费 10 秒进行训练，而测试则须要 2 秒。

因而，5 折将破费 12 5 = 60 秒。因为咱们正在搜寻 10 个深度值，因而该算法将破费 60 10 = 600 秒。

然而，在深度大于 2 的状况下训练和测试模型所破费的工夫将比深度为“2”破费更多的工夫，因而总体计时将大于 600 秒。

你想针对最大深度（从给定的 10 个深度值）和学习率（从给定的 5 个不同的学习率）中抉择正确的值。在这种状况下，以下哪项将代表总工夫？

A）1000-1500 秒

B）1500-3000 秒

C）大于或等于 3000 秒

D）这些都不是

解决方案：（D）

与问题 23 雷同。

H	TE	VE
1 个	105	90
2	200	85
3	250	96
4	105	85
5	300	100

你将依据上表抉择哪个 H 值？

解决方案：（D）

依据表格，抉择 D 是最好的

A）将数据转换为均值零

B）将数据转换为中位数零

C）不可能

D）这些都不是

解决方案：（A）

当数据的平均值为零时，向量 PCA 的预测将与 SVD 雷同，否则，在获取 SVD 之前必须先将数据居中。

留神：与 k 相比，n（训练观测值的数量）十分大。

A）真

B）假

解决方案：（A）

第一步，你在黑盒算法中传递了一个察看值（q1），因而该算法将返回最近邻的察看值及其类标签。

在第二步中，你将其从训练数据中选出最靠近的观测值，而后再次输出观测值（q1）。黑盒算法将再次返回最近邻观测值及其类标签。

你须要反复此过程 k 次

J 必须是 k 的适当因子
J > k
不可能

A）1

B）2

C）3

解决方案：（A）

与问题 27 雷同

以下哪项是正确的程序？

1 < 2 < 3 <4
1 > 2 > 3 > 4
7 < 6 < 5 <4
7 > 6 > 5 > 4

A）1 和 3

B）2 和 3

C）1 和 4

D）2 和 4

解决方案：（B）

从图像 1 到 4 的相关性正在升高（绝对值）。然而从图像 4 到 7，相关性在减少，但其相关性值是正数（例如 0，-0.3，-0.7，-0.99）。

如果分类器对谬误分类有信念，那么对数损失会对其进行严格惩办。
对于特定的察看后果，分类器为正确的类别调配了很小的概率，那么对数损失的相应奉献将十分大。
对数损失越低，模型越好。

A）1 和 3

B）2 和 3

C）1 和 2

D）1,2 和 3

解决方案：（D）

以下是数据集中给出的五个样本。

留神：图像中各点之间的视觉间隔代表理论间隔。

A）0

D）0.4

C）0.8

D）1

解决方案：（C）

在“留一法”穿插验证中，咱们将抉择（n-1）个用于训练的察看值和 1 个验证察看值。将每个点视为穿插验证点，而后找到该点最近的 3 个点。

因而，如果你对所有的点反复这个过程，你将失去正确的分类，所有正类在上图中给出，但负类将被谬误分类。因而你将失去 80% 的准确率。

A）1NN

B）3NN

C）4NN

D）都有雷同的留一法谬误

解决方案：（A）

每个点在 1 -NN 中将始终被谬误分类，这意味着你将取得 0%的精度。

你正在应用具备 L1 正则化的逻辑回归。

其中 C 是正则化参数，w1 和 w2 是 x1 和 x2 的系数。

当你将 C 的值从零减少到十分大的值时，以下哪个选项是正确的？

A）首先 w2 变为零，而后 w1 变为零

B）首先 w1 变为零，而后 w2 变为零

C）两者同时变为零

D）即便 C 值很大，两者也不能为零

解决方案：（B）

通过查看图像，咱们发现即便仅应用 x2，咱们也能够无效地执行分类。因而，首先，w1 将变为 0。随着正则化参数的减少，w2 将越来越靠近于 0。

A）仅 1

B）只有 2

C）1 和 2

D）以上都不是

解决方案：（A）

如果此类数据适宜深度为 4 的决策树，则可能会导致数据拟合有余。因而，在拟合有余的状况下，将具备较高的偏差和较低的方差。

A）2 和 3

B）1 和 3

C）1 和 2

D）以上

解决方案：（D）

能够调整所有选项以找到全局最小值。

A）1 和 3

B）2 和 4

C）1 和 4

D）2 和 3

解决方案：（C）

准确性（正确分类）是（50 + 100）/ 165，简直等于 0.91。

真阳率是你正确预测阳性分类的次数，因而真阳率将为 100/105 = 0.95，也称为“敏感度”或“召回率”

A）1 和 2

B）2 和 3

C）1 和 3

D）1、2 和 3

E）不能判断

解决方案：（E）

对于所有三个选项 A，B 和 C，没有必要减少参数的值来进步性能。例如，如果咱们具备十分高的树深度值，则生成的树可能会使数据过拟合，并且不能很好地泛化应用。另一方面，如果咱们的值很低，则树可能不足以包容数据。因而，咱们不能必定地说“越高越好”。

设想一下，你有一个 28 28 的图像，并且在其上运行了 3 3 的卷积神经网络，输出深度为 3，输入深度为 8。

留神：“步幅”为 1，并且你应用的是雷同的填充。

A）宽度 28，高度 28 和深度 8

B）宽度 13，高度 13 和深度 8

C）宽度 28，高度 13 和深度 8

D）宽度 13，高度 28 和深度 8

解决方案：（A）

计算输入大小的公式是

输入尺寸 =（N – F）/ S + 1

其中，N 是输出大小，F 是过滤器大小，S 是跨度。

浏览本文以取得更好的了解。

https://www.analyticsvidhya.c…

A）宽度 28，高度 28 和深度 8

B）宽度 13，高度 13 和深度 8

C）宽度 28，高度 13 和深度 8

D）宽度 13，高度 28 和深度 8

解决方案：（B）

同上题。

（从左到右为 1,2,3，所以 C 值对于 image1 为 C1，对于 image2 为 C2，对于 image3 为 C3）。

A）C1 = C2 = C3

B）C1 > C2 > C3

C）C1 < C2 < C3

D）这些都不是

解决方案：（C）

误差项的惩办参数 C。它还管制平滑决策边界和正确分类训练点之间的衡量。对于较大的 C 值，将抉择边距较小的超平面进行优化。

在这里浏览更多：https://www.analyticsvidhya.c…

原文链接：https://www.analyticsvidhya.c…

欢送关注磐创 AI 博客站：
http://panchuang.net/

sklearn 机器学习中文官网文档：
http://sklearn123.com/

欢送关注磐创博客资源汇总站：
http://docs.panchuang.net/

介绍

总分

有用的资源

问题与解决方案

问题背景

特色 F1 代表大学学生的等级，能够取特定值：A，B，C，D，E 和 F。

1）在以下状况下，以下哪一项是正确的？

2）以下哪个是确定性算法的示例？

3) [对或错] 两个变量之间的皮尔逊相关性为零，但它们的值依然能够彼此相干。

4）对于梯度降落（GD）和随机梯度降落（SGD），以下哪个陈说是正确的？

5）下列哪个超参数减少时，可能会导致随机森林适度拟合数据？

6）设想一下，你正在应用“Analytics Vidhya”，并且你想开发一种机器学习算法，该算法能够预测文章的观看次数。

7）上面给出了三个图像（1,2,3）。以下哪个选项对这些图像正确？

8）以下是训练文件中指标变量的 8 个理论值。

[0,0,0,1,1,1,1,1]

指标变量的熵是多少？

9）假如你正在应用分类特色，但尚未查看测试数据中分类变量的散布。你要在分类特色上利用独热编码（OHE）。如果将 OHE 利用于训练数据集的分类变量，可能会面临哪些挑战？

10）Skip gram 模型是 Word2vec 算法中用于词嵌入的最佳模型之一。下列哪个模型形容了 Skip gram 模型？

11）假如你正在神经网络的暗藏层中应用激活函数 X。对于任何给定的输出，在特定的神经元处，你失去的输入为“-0.0001”。X 能够代表以下哪个激活函数？

12）对数损失评估指标能够具备负值。

13）对于“Type1”和“Type2”谬误，以下哪个陈说是正确的？

14）以下哪项是对基于 NLP 的我的项目中的文本进行预处理的重要步骤之一？

15）假如你要将高维数据投影到低维。此处应用的两种最驰名的降维算法是 PCA 和 t -SNE。假如你别离对数据“X”利用了这两种算法，并且取得了数据集“X_projected_PCA”，“X_projected_tSNE”。

对于“X_projected_PCA”和“X_projected_tSNE”，以下哪种说法正确？

问题：16-17

16）在上图中，以下哪个是多重共线特色的示例？

17）在上一个问题中，假如你已确定多重共线特色。你接下来要执行以下哪个操作？

18）将不重要的特色增加到线性回归模型中可能会导致___。

19）假如给定三个变量 X，Y 和 Z。（X，Y），（Y，Z）和（X，Z）的皮尔逊相关系数别离为 C1，C2 和 C3。

20）设想一下，你正在解决类别高度不均衡的分类问题。在训练数据中，大多数类别有 99%的工夫被察看到。

21）在集成学习中，你汇总了弱学习模型的预测，因而与单个模型的预测相比，这些模型的集成将提供更好的预测。

22）对于 K-fold 穿插验证，以下哪个选项是正确的？

问题上下文 23-24

23）对于具备 10 个不同“max_depth”值的 5 折穿插验证的总体执行工夫，以下哪个选项是正确的？

24）在上一个问题中，如果你训练雷同的算法来调整 2 个超参数，比方“最大深度”和“学习率”。

25）上面给出了针对机器学习算法 M1 的训练误差 TE 和验证误差 VE 的计划。你要基于 TE 和 VE 抉择一个超参数（H）。

26）你将在 PCA 中做什么以失去与 SVD 雷同的预测？

问题 27-28

假如有一个黑盒算法，该算法应用具备多个观测值（t1，t2，t3，……..tn）和一个新观测值（q1）的训练数据。黑盒输入 q1 的最近邻（例如 ti）及其对应的类别标签 ci。

你还能够认为该黑盒算法与 1 -NN（1- 最近邻）雷同。

27）能够仅基于此黑盒算法来结构 k -NN 分类算法。

28）咱们不想应用 1 -NN 黑盒，而是要应用 j -NN（j> 1）算法作为黑盒。对于应用 j -NN 查找 k -NN，以下哪个选项是正确的？

29）假如你失去 7 个散点图 1 -7（从左到右），并且你想比拟每个散点图变量之间的皮尔逊相关系数。

30）你能够应用不同的指标（例如准确性，对数损失，F 分数）来评估二进制分类问题的性能。假如你正在应用对数损失函数作为评估指标。对于将对数损失解释为评估指标，以下哪个选项是正确的？

问题 31-32

31）以下哪项是 3 -NN（3 个最近邻）的留一法穿插验证准确性？

32）以下 K 值中，哪一个具备最小的留一法穿插验证精度？

33）假如你取得了以下数据，并且你想应用逻辑回归模型将其分类为两个给定的类。

34）假如咱们有一个数据集，该数据集能够在深度为 6 的决策树的帮忙下以 100%的精度进行训练。当初思考上面这些点，并依据这些点抉择选项。

留神：所有其余超级参数雷同，其余因素不受影响。

1. 深度 4 将具备高偏差和低方差

2. 深度 4 将具备低偏差和低方差

35）以下哪些选项可用于获取 k -Means 算法的全局最小值？

1. 尝试运行用于不同质心初始化的算法

2. 调整迭代次数

3. 找出最佳集群数

36）假如你正在开发一个我的项目，该我的项目是二进制分类问题。你在训练数据集上训练了模型，并在验证数据集上取得了以下混同矩阵。

根据上述混同矩阵，抉择以下哪个选项能够为你提供正确的预测？

1. 准确度约为 0.91

2. 谬误分类率约为 0.91

3. 误报率约为 0.95

4. 真阳率为〜0.95

37）对于以下哪个超参数，决策树算法的值越高越好？

1. 用于拆分的样本数

2. 树的深度

3. 叶子节点样本数

问题 38-39

38）应用给定参数时，输入特色图的尺寸是多少？

39）应用以下参数时，输入特色图的尺寸是多少？

40）假如，咱们正在绘制 SVM 算法中不同 C 值（惩办参数）的可视化图。因为某些起因，咱们遗记了用可视化标记 C 值。在这种状况下，对于径向基函数核，以下哪个选项最能阐明以下图像的 C 值？