介绍
机器学习是近来最受欢迎的技能之一，我们组织了各种技能测试，以便数据科学家可以检查自己的这些关键技能。这些测试包括机器学习，深度学习，时间序列问题和概率问题。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，仍然可以通过下面的链接查看问题和答案。
机器学习https：／／courses．analyticsvidhya．com／courses／introduction－to－data－science－2深度学习https：／／www．analyticsvidhya．com／blog／2017／04／40－questions－test－data－scientist－deep－learning时间序列问题https：／／www．analyticsvidhya．com／blog／2017／04／40－questions－on－time－series－solution－skillpower－time－series－datafest－2017／概率问题https：／／www．analyticsvidhya．com／blog／2017／04／40－questions－on－probability－for－all－aspiring－data－scientists在机器学习技能测试中，有1350多人报名参加了该测试，该测试旨在测试你是否掌握了机器学习中的概念知识。如果你错过了实时测试，仍然可以阅读本文，来了解如何正确回答这些问题。这些问题，以及其他数百个问题，都是我们“Ace数据科学访谈”课程（https：／／courses．analyticsvidhya．com／courses／ace－data－science－interviews） 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科学之旅，那么看看我们最受欢迎的课程——“数据科学导论”！（https：／／courses．analyticsvidhya．com／courses／introduction－to－data－science－2）总分以下是分布得分，它们将帮助你评估自己的成绩。
你可以在此处（https：／／datahack．analyticsvidhya．com／contest／skillpower－machine－learning／＃LeaderBoard） 访问最终成绩，超过210人参加了技能测试，获得的最高分是36。以下是有关分数的一些统计数据。平均得分：19．36中位数得分：21模式得分：27有用的资源https：／／www．analyticsvidhya．com／blog／2015／06／machine－learning－basicshttps：／／courses．analyticsvidhya．com／courses／ace－data－science－interviewshttps：／／courses．analyticsvidhya．com／courses／introduction－to－data－science－2https：／／www．analyticsvidhya．com／blog／2017／04／comparison－between－deep－learning－machine－learning／https：／／www．analyticsvidhya．com／blog／2015／08／common－machine－learning－algorithms问题与解决方案问题背景特征F1代表大学学生的等级，可以取特定值：A，B，C，D，E和F。1）在以下情况下，以下哪一项是正确的？A）特征F1是定类变量的示例。B）特征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有某些顺序的变量，例如应将A级视为比B级更高的等级。2）以下哪个是确定性算法的示例？A）PCAB）K－MeansC）以上都不是解决方案：（A）确定性算法是在不同的运行中，其输出不会改变的算法。如果我们再次运行，PCA会给出相同的结果，但K－Means不会。3） ［对或错］两个变量之间的皮尔逊相关性为零，但它们的值仍然可以彼此相关。A）对B）错解决方案：（A）例如Y ＝ X2，它们不仅相关，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。4）对于梯度下降（GD）和随机梯度下降（SGD），以下哪个陈述是正确的？在GD和SGD中，你以迭代方式更新一组参数来最小化误差函数。在SGD中，你必须遍历训练集中的所有样本，才能在每次迭代中一次更新参数。在GD中，你可以使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1B）只有2C）只有3D）1和2E）2和3F）1，2和3解决方案：（A）在每次迭代的SGD中，通常选择包含一个批次的随机数据样本，但对于GD，每次迭代均包含所有训练样本。5）下列哪个超参数增加时，可能会导致随机森林过度拟合数据？树的数量树的深度学习率A）仅1B）只有2C）只有3D）1和2E）2和3F）1， 2和3解决方案：（B）通常，如果我们增加树的深度，将导致过拟合。学习率不是随机森林中的超参数，树的数量增加将导致欠拟合。6）想象一下，你正在使用“ Analytics Vidhya”，并且你想开发一种机器学习算法，该算法可以预测文章的观看次数。你的分析基于诸如作者姓名、以及同一位作者过去在Analytics Vidhya上撰写的文章数之类的特征以及其他一些特征。在这种情况下，你会选择以下哪个评估指标？均方误差准确性F1分数A）仅1B）只有2C）只有3D）1和3E）2和3F）1和2解决方案：（A）可以认为文章的观看次数是属于回归问题的连续目标变量，因此均方误差将被用作评估指标。7）下面给出了三个图像（1，2，3）。以下哪个选项是正确的？1．
2．
3．
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函数的范围是［0，1］。tanh函数的范围是［－1，1］。RELU函数的范围是［0，infinity］。因此，选项D是正确的答案。8）以下是训练文件中目标变量的8个实际值。［0，0，0，1，1，1，1，1］目标变量的熵是多少？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。9）假设你正在使用分类特征，但尚未查看测试数据中分类变量的分布，你要在分类特征上应用独热编码（OHE）。如果将OHE应用于训练数据集的分类变量，可能会面临哪些挑战？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，类别中的频率分布在训练集中有所不同。C）训练集和测试集始终具有相同的分布。D）A和BE）这些都不是解决方案：（D）两者都是正确的，OHE将无法对测试集中存在但不在训练集中的类别进行编码，因此这可能是应用OHE时的主要挑战之一。如果在训练和测试中的频率分布不相同，则选项B中的挑战也确实存在，你在应用OHE时需要更加小心。10）Skip gram模型是Word2vec算法中用于词嵌入的最佳模型之一。下列哪个模型描述了Skip gram模型？
A）AB）BC）A和BD）这些都不是解决方案：（B）Word2vec算法中使用了两个模型（model1和model2）。model1代表CBOW模型，而Model2代表Skip gram模型。11）假设你正在神经网络的隐藏层中使用激活函数X，对于任何给定的输入，在特定的神经元处，你得到的输出为“ －0．0001”，X可以代表以下哪个激活函数？A） ReLUB） tanhC） SIGMOIDD）这些都不是解决方案：（B）该函数为tanh，因为此函数的输出范围在（－1，－1）之间。12） 对数损失评估指标可以具有负值。A）真B）假解决方案：（B）对数损失不能为负值。13）关于“Type1”和“Type2”错误，以下哪个陈述是正确的？Type1被称为误报，Type2被称为漏报。Type1被称为漏报，Type2被称为误报。当我们拒绝原假设为空的假设时，就会发生Type1错误。A）仅1B）只有2C）只有3D）1和2E）1和3F）2和3解决方案：（E）在统计假设检验中，I型错误是对真实无效假设（“误报”）的错误拒绝，而II型错误则是错误地保留了虚假假设（“漏报”）。14）以下哪项是对基于NLP的项目中的文本预处理的重要步骤之一？词干提取删除停顿词对象标准化A）1和2B）1和3C）2和3D）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）的基于规则的基本过程。停顿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方法之一。15）假设你要将高维数据投影到低维，此处使用的两种最著名的降维算法是PCA和t－SNE。假设你分别对数据“ X”应用了这两种算法，并且获得了数据集“ X＿projected＿PCA”，“ X＿projected＿tSNE”。对于“ X＿projected＿PCA”和“ X＿projected＿tSNE”，以下哪种说法正确？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算法考虑最近邻点以减少数据的维数，因此在使用t－SNE之后，我们可以认为缩小的维数也将在最近邻空间中得到解释，但是对于PCA则不是这样。问题：16－17下面给出的是两个特征的三个散点图。
16）在上图中，以下哪个是多重共线特征的示例？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，特征具有高正相关性，而在图像2中，特征之间具有高负相关性，因此在两个图像中，特征对都是多重共线特征的示例。17）在上一个问题中，假设你已确定多重共线特征。你接下来要执行以下哪个操作？删除两个共线变量。删除两个共线变量中的一个变量。删除相关变量可能会导致信息丢失，为了保留这些变量，我们可以使用惩罚回归模型，例如岭回归或套索回归。A）仅1B）仅2C）仅3D）1或3E）2或3解决方案：（E）你不能同时删除这两个特征，因为在删除这两个特征之后，你将丢失所有信息，因此你应该删除一个特征，或者可以使用L1和L2等正则化算法。18）将不重要的特征添加到线性回归模型中可能会导致＿＿＿。R平方增加R平方减少A）只有1正确B）只有2正确C）1或2D）这些都不是解决方案：（A）在特征空间中添加特征后，无论该特征是重要特征还是不重要特征，R平方始终会增加。19）假设给定三个变量X，Y和Z。（X，Y），（Y，Z）和（X，Z）的皮尔逊相关系数分别为C1，C2和C3。现在，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保持不变。（X，Y），（Y，Z）和（X，Z）的新系数分别由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 ＞ C3B）D1 ＝ C1，D2 ＞ C2，D3 ＞ C3C）D1 ＝ C1，D2 ＞ C2，D3 ＜ C3D）D1 ＝ C1，D2 ＜ C2，D3 ＜ C3E）D1 ＝ C1，D2 ＝ C2，D3 ＝ C3F）无法确定解决方案：（E）如果你在特征中添加或减去一个值，则特征之间的相关性不会改变。20）想象一下，你正在解决类别高度不平衡的分类问题。在训练数据中，大多数类别有99％的时间被观察到。对测试数据进行预测后，你的模型具有99％的准确性，在这种情况下，以下哪一项是正确的？对于类别不平衡问题，准确性度量不是一个好主意。精度度量是解决类别不平衡问题的一个好主意。准确性和召回率指标对于解决类别不平衡问题很有用。精度和召回率指标不适用于类别不平衡问题。A）1和3B）1和4C）2和3D）2和4解决方案：（A）参考本文中的问题4。https：／／www．analyticsvidhya．com／blog／2016／09／40－interview－questions－asked－at－startups－in－machine－learning－data－science／21）在集成学习中，你汇总了弱学习模型的预测，因此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。对于集成模型中使用的弱学习模型，以下哪个陈述是正确的？他们通常不会过拟合。他们有很高的偏差，所以不能解决复杂的学习问题他们通常过拟合。A）1和2B）1和3C）2和3D）仅1E）只有2F）以上都不是解决方案：（A）弱学习模型会确定问题的特定部分，因此他们通常不会过拟合，这意味着学习能力弱的学习模型具有较低的方差和较高的偏差。22）对于 K－fold 交叉验证，以下哪个选项是正确的？K的增加将导致交叉验证结果所需的时间更长。与较低的K值相比，较高的K值将导致交叉验证结果的置信度较高。如果K ＝ N，则称为“留一法（交叉验证法）”，其中N是观察数。A）1和2B）2和3C）1和3D）1，2和3解决方案：（D）k值越大，意味着对高估真实预期误差的偏差就越小（因为训练倍数将更接近于总数据集），而运行时间则更长（随着你越来越接近极限情况：留一法交叉验证）。选择k时，我们还需要考虑k倍精度之间的方差。问题上下文23－24交叉验证是机器学习中超参数调整的重要步骤，假设你正在通过使用5折交叉验证从基于树的模型的10个不同深度值（值大于2）中选择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折的训练时间是10秒，剩下1折的预测时间是2秒。注意：公式中忽略硬件依赖性。23）对于具有10个不同“max＿depth”值的5折交叉验证的总体执行时间，以下哪个选项是正确的？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）无法估算解决方案：（D）5折交叉验证中深度“2”的每次迭代将花费10秒进行训练，而测试则需要2秒，因此，5折将花费12 ＊ 5 ＝ 60秒。由于我们正在搜索10个深度值，因此该算法将花费60 ＊ 10 ＝ 600秒。但是，在深度大于2的情况下训练和测试模型所花费的时间将比深度为“2”花费更多的时间，因此总体计时将大于600秒。24）在上一个问题中，如果你训练相同的算法来调整2个超参数，比如“最大深度”和“学习率”。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）中选择正确的值。在这种情况下，以下哪项将代表总时间？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相同。25）下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的方案，你要基于TE和VE选择一个超参数（H）。
解决方案：（D）你将根据上表选择哪个H值？
根据表格，选择D是最好的26）你将在PCA中做什么以得到与SVD相同的预测？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相同，否则，在获取SVD之前必须先将数据进行居中。问题27－28假设有一个黑盒算法，该算法使用具有多个观测值（t1，t2，t3，……．．tn）和一个新观测值（q1）的训练数据，黑盒输出q1的最近邻（例如ti）及其对应的类别标签ci。你还可以认为该黑盒算法与1－NN（1－最近邻）相同。27）可以仅基于此黑盒算法来构造k－NN分类算法。注意：与k相比，n（训练观测值的数量）非常大。A）真B）假解决方案：（A）第一步，你在黑盒算法中传递了一个观察值（q1），因此该算法将返回最近邻的观察值及其类标签。在第二步中，你将其从训练数据中选出最接近的观测值，然后再次输入观测值（q1），黑盒算法将再次返回最近邻观测值及其类标签。你需要重复此过程k次28）我们不想使用1－NN黑盒，而是要使用j－NN（j＞ 1）算法作为黑盒，对于使用j－NN查找k－NN，以下哪个选项是正确的？J必须是k的适当因子J ＞ k不可能A）1B）2C）3解决方案：（A）与问题27相同29）假设你得到7个散点图1－7（从左到右），并且你想比较每个散点图变量之间的皮尔逊相关系数。以下哪项是正确的顺序？
1 ＜ 2 ＜ 3 ＜41 ＞ 2 ＞ 3 ＞ 47 ＜ 6 ＜ 5 ＜47 ＞ 6 ＞ 5 ＞ 4A）1和3B）2和3C）1和4D）2和4解决方案：（B）从图像1到4的相关性正在降低（绝对值），但是从图像4到7的相关性在增加，但其相关性值是负数（例如0，－0．3，－0．7，－0．99）。30）你可以使用不同的指标（例如准确性，对数损失，F分数）来评估二分类问题的性能。假设你正在使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？
如果分类器对错误分类有信心，那么对数损失会对其进行严厉惩罚。对于特定的观察结果，分类器为正确的类别分配了很小的概率，那么对数损失的相应贡献将非常大。对数损失越低，模型越好。A）1和3B）2和3C）1和2D）1，2和3解决方案：（D）问题31－32以下是数据集中给出的五个样本。
注意：图像中各点之间的视觉距离代表实际距离。31）以下哪项是3－NN（3个最近邻）的留一法交叉验证准确性？A）0D）0．4C）0．8D）1解决方案：（C）在“留一法”交叉验证中，我们将选择（n－1）个用于训练的观察值和1个验证观察值，将每个点视为交叉验证点，然后找到该点最近的3个点。因此，如果你对所有的点重复这个过程，你将得到正确的分类，所有正类在上图中给出，但负类将被错误分类，因此你将得到80％的准确率。32）以下K值中，哪一个具有最小的留一法交叉验证精度？A）1NNB）3NNC）4NND）都有相同的留一法错误解决方案：（A）每个点在1－NN中将始终被错误分类，这意味着你将获得0％的精度。33）假设你获得了以下数据，并且你想应用逻辑回归模型将其分类为两个给定的类。
你正在使用具有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的值从零增加到非常大的值时，以下哪个选项是正确的？A）首先w2变为零，然后w1变为零B）首先w1变为零，然后w2变为零C）两者同时变为零D）即使C值很大，两者也不能为零解决方案：（B）通过查看图像，我们发现即使仅使用x2，我们也可以有效地执行分类，因此首先w1将变为0，随着正则化参数的增加，w2将越来越接近于0。34）假设我们有一个数据集，该数据集可以在深度为6的决策树帮助下以100％的精度进行训练。现在考虑下面这些点，并根据这些点选择选项。注意：所有其他超级参数相同，其他因素不受影响。1． 深度4将具有高偏差和低方差2． 深度4将具有低偏差和低方差A）仅1B）只有2C）1和2D）以上都不是解决方案：（A）如果此类数据适合深度为4的决策树，则可能会导致数据拟合不足，因此在拟合不足的情况下，将具有较高的偏差和较低的方差。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A）2和3B）1和3C）1和2D）以上解决方案：（D）可以调整所有选项以找到全局最小值。36）假设你正在开发一个项目，该项目是二分类问题，你在训练数据集上训练了模型，并在验证数据集上获得了以下混淆矩阵。
根据上述混淆矩阵，选择以下哪个选项可以为你提供正确的预测？1． 准确度约为0．912． 错误分类率约为0．913． 误报率约为0．954． 真阳率为〜0．95A）1和3B）2和4C）1和4D）2和3解决方案：（C）准确性（正确分类）是（50 ＋ 100）／ 165，几乎等于0．91。真阳率是你正确预测阳性分类的次数，因此真阳率将为100／105 ＝ 0．95，也称为“敏感度”或“召回率”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A）1和2B）2和3C）1和3D）1、2和3E）不能判断解决方案：（E）对于所有三个选项A，B和C，没有必要增加参数的值来提高性能。例如，如果我们具有非常高的树深度值，则生成的树可能会使数据过拟合，并且不能很好地泛化使用；另一方面，如果我们的值很低，则树可能不足以容纳数据。因此，我们不能肯定地说“越高越好”。问题38－39想象一下，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，输入深度为3，输出深度为8。注意：“步长”为1，并且你使用的是相同的填充。38）使用给定参数时，输出特征图的尺寸是多少？A）宽度28，高度28和深度8B）宽度13，高度13和深度8C）宽度28，高度13和深度8D）宽度13，高度28和深度8解决方案：（A）计算输出大小的公式是输出尺寸＝（N – F）／ S ＋ 1其中，N是输入大小，F是过滤器大小，S是跨度。阅读本文以获得更好的理解。https：／／www．analyticsvidhya．com／blog／2016／04／deep－learning－computer－vision－introduction－convolution－neural－networks／39）使用以下参数时，输出特征图的尺寸是多少？A）宽度28，高度28和深度8B）宽度13，高度13和深度8C）宽度28，高度13和深度8D）宽度13，高度28和深度8解决方案：（B）同上题。40）假设，我们正在绘制SVM算法中不同C值（惩罚参数）的可视化图。由于某些原因，我们忘记了用可视化标记C值，在这种情况下，对于径向基函数核，以下哪个选项最能说明以下图像的C值？（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 ＝ C3B）C1 ＞ C2 ＞ C3C）C1 ＜ C2 ＜ C3D）这些都不是解决方案：（C）误差项的惩罚参数C，控制着平滑决策边界和正确分类训练点之间的权衡，对于较大的C值，将选择边距较小的超平面进行优化。
