1. 基礎知識

• 什么是監督學習和無監督學習？
  • 監督學習是基于已標注的訓練數據來學習預測模型；無監督學習則是在沒有標簽的數據上進行學習，尋找數據的結構或模式。
• 什么是過擬合和欠擬合？
  • 過擬合是指模型在訓練數據上表現很好，但在測試數據上表現差。欠擬合是指模型在訓練數據上和測試數據上都表現差。
• 解釋一下偏差-方差權衡。
  • 偏差是指模型的預測誤差，方差是指模型對訓練數據的敏感度。過高的偏差通常導致欠擬合，過高的方差通常導致過擬合。
• 什么是交叉驗證？
  • 交叉驗證是將數據分成多個子集，使用不同的子集進行訓練和測試，從而評估模型的泛化能力。

2. 常見算法

• 解釋一下線性回歸的原理。
  • 線性回歸是通過擬合一條直線來預測輸出，假設輸入特征與輸出之間存在線性關系。
• 什么是邏輯回歸？
  • 邏輯回歸是一種分類算法，主要用于二分類問題。它使用sigmoid函數將線性回歸的輸出轉換為概率值。
• 決策樹是如何工作的？
  • 決策樹通過遞歸地選擇最佳特征來進行數據劃分，直到滿足停止條件為止，形成樹狀結構。
• 隨機森林與決策樹的區別。
  • 隨機森林是集成學習方法，使用多個決策樹的輸出進行投票或平均，通常比單一的決策樹更強大。
• SVM的工作原理是什么？
  • 支持向量機（SVM）通過尋找最佳的超平面來分類數據，使得類間的間隔最大化。

3. 模型評估與優化

• 如何評估分類模型的性能？
  • 使用準確率、召回率、F1分數、ROC曲線和AUC等指標。