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
来源|analyticsvidhya

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。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.analyticsvidh...

• 深度学习

  • https://www.analyticsvidhya.c...

• 时间序列问题

  • 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，并了解如何正确回答这些问题。

这是所有参与者的排行榜排名。

• https://datahack.analyticsvid...

这些问题，以及其他数百个问题，都是我们“Ace数据科学访谈”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.analyticsvidh...）

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.analyticsvid...） 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.c...
• https://courses.analyticsvidh...
• https://courses.analyticsvidh...
• https://www.analyticsvidhya.c...
• https://www.analyticsvidhya.c...

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）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）

Y = X2。请注意，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？

1. 在GD和SGD中，你以迭代方式更新一组参数以最小化误差函数。
2. 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。
3. 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，通常选择包含随机数据样本的批次，但对于GD，每次迭代均包含所有训练观测值。

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？

1. 树数
2. 树深
3. 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，如果我们增加树的深度，将导致过度拟合。学习率不是随机森林中的超参数。树的数量增加将导致拟合不足。

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，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？

1. 均方误差
2. 准确性
3. 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）

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）。以下哪个选项对这些图像正确？

A)

B)

C)

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B

E）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）A

B）B

C）A和B

D）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) 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？

1. Type1被称为误报，Type2被称为漏报。
2. Type1被称为漏报，Type2被称为误报。
3. 当我们拒绝原假设为空的假设时，就会发生Type1错误。

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的项目中的文本进行预处理的重要步骤之一？

1. 词干提取
2. 删除停顿词
3. 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？

1. 删除两个共线变量。
2. 删除两个共线变量中的一个变量。
3. 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，因此你应该删除仅一个特征，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___。

1. R平方增加
2. R平方减少

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 > 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？

1. 对于类别不平衡问题，准确性度量不是一个好主意。
2. 精度度量是解决类别不平衡问题的一个好主意。
3. 准确性和召回率指标对于解决类别不平衡问题很有用。
4. 精度和召回率指标不适用于类别不平衡问题。

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...

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？

1. 他们通常不会过拟合。
2. 他们有很高的偏差，所以不能解决复杂的学习问题
3. 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？

1. K的增加将导致交叉验证结果所需的时间更长。
2. 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。
3. 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）。

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

你将根据上表选择哪个H值？

解决方案：（D）

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？

1. J必须是k的适当因子
2. J > k
3. 不可能

A）1

B）2

C）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. 1 < 2 < 3 <4
2. 1 > 2 > 3 > 4
3. 7 < 6 < 5 <4
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的相关性正在降低（绝对值）。但是从图像4到7，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）来评估二进制分类问题的性能。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？

1. 
   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。
2. 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。
3. 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）

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）0

D）0.4

C）0.8

D）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）1NN

B）3NN

C）4NN

D）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的决策树的帮助下以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3

B）1和3

C）1和2

D）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0.91

2. 错误分类率约为0.91

3. 误报率约为0.95

4. 真阳率为〜0.95

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，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：“步幅”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.c...

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。

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 = C3

B）C1 > C2 > C3

C）C1 < C2 < C3

D）这些都不是

解决方案：（C）

误差项的惩罚参数C。它还控制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。

在这里阅读更多：https://www.analyticsvidhya.c...

原文链接：https://www.analyticsvidhya.c...

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

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