机器学习实践

• 网格搜索
• 在高维空间中对一定区域进行遍历

• 在高维空间中随机选择若干超参数

• Hyperopt
  • 用于超参数优化的 Python 库，其内部使用 Parzen 估计器的树来预测哪组超参数可能会得到好的结果。
  • GitHub - https://github.com/hyperopt/hyperopt
• Hyperas
  • 将 Hyperopt 与 Keras 模型集成在一起的库
  • GitHub - https://github.com/maxpumperla/hyperas

geekcircle/machine-learning-interview-qa/4.md

• 欧式距离和余弦相似度都能度量 2 个向量之间的相似度
• 放到向量空间中看，欧式距离衡量两点之间的直线距离 ，而余弦相似度计算的是两个向量之间的夹角
• 没有归一化时 ，欧式距离的范围是 (0, +∞]，而余弦相似度的范围是 (0, 1]；余弦距离是计算相似程度 ，而欧氏距离计算的是相同程度 （对应值的相同程度）
• 归一化的情况下 ，可以将空间想象成一个超球面（三维），欧氏距离就是球面上两点的直线距离，而向量余弦值等价于两点的球面距离，本质是一样。

欧氏距离和余弦相似度的区别是什么？ - 知乎

geekcircle/machine-learning-interview-qa/6.md

geekcircle/machine-learning-interview-qa/7.md

深度学习/理论知识/信息熵、KL 散度（相对熵）与交叉熵**

• 问题描述：向空中投掷硬币，落地后有两种可能的状态，一个是正面朝上，另一个是反面朝上，每个状态出现的概率为1/2。如投掷均匀的正六面体的骰子，则可能会出现的状态有6个，每一个状态出现的概率均为1/6。试通过计算来比较状态的不确定性与硬币状态的不确定性的大小。
• 答： 硬币： 六面体：

• True Positive(TP)：将正类预测为正类的数量.
• True Negative(TN)：将负类预测为负类的数量.
• False Positive(FP)：将负类预测为正类数 → 误报 (Type I error).
• False Negative(FN)：将正类预测为负类数 → 漏报 (Type II error).

准确率与精确率的区别：

在正负样本不平衡的情况下，准确率 这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点击）acc 也有 99% 以上，没有意义。

只有当精确率和召回率都很高时，F1值才会高

geekcircle/machine-learning-interview-qa/1.md

1. 缺失值较多
   • 直接舍弃该列特征，否则可能会带来较大的噪声，从而对结果造成不良影响。
2. 缺失值较少
   • 当缺失值较少（<10%）时，可以考虑对缺失值进行填充，以下是几种常用的填充策略：
   1. 用一个异常值 填充（比如 0），将缺失值作为一个特征处理 data.fillna(0)
   2. 用均值 |条件均值 填充

      如果数据是不平衡的，那么应该使用条件均值填充

      所谓条件均值 ，指的是与缺失值所属标签相同的所有数据的均值

      data.fillna(data.mean())
   3. 用相邻数据填充

      # 用前一个数据填充
      data.fillna(method='pad')
      # 用后一个数据填充
      data.fillna(method='bfill') 
      

   4. 插值 data.interpolate()
   5. 拟合

      简单来说，就是将缺失值也作为一个预测问题来处理：将数据分为正常数据和缺失数据，对有值的数据采用随机森林等方法拟合，然后对有缺失值的数据进行预测，用预测的值来填充。

geekcircle/machine-learning-interview-qa/2.md

1. 数学抽象 明确问题是进行机器学习的第一步。机器学习的训练过程通常都是一件非常耗时的事情，胡乱尝试时间成本是非常高的。 这里的抽象成数学问题，指的是根据数据明确任务目标，是分类、还是回归，或者是聚类。
2. 数据获取 数据决定了机器学习结果的上限，而算法只是尽可能逼近这个上限。 数据要有代表性，否则必然会过拟合。 对于分类问题，数据偏斜不能过于严重（平衡），不同类别的数据数量不要有数个数量级的差距。 对数据的量级要有一个评估，多少个样本，多少个特征，据此估算出内存需求。如果放不下就得考虑改进算法或者使用一些降维技巧，或者采用分布式计算。
3. 预处理与特征选择 良好的数据要能够提取出良好的特征才能真正发挥效力。 预处理/数据清洗是很关键的步骤，往往能够使得算法的效果和性能得到显著提高。归一化、离散化、因子化、缺失值处理、去除共线性等，数据挖掘过程中很多时间就花在它们上面。这些工作简单可复制，收益稳定可预期，是机器学习的基础必备步骤。 筛选出显著特征、摒弃非显著特征，需要机器学习工程师反复理解业务。这对很多结果有决定性的影响。特征选择好了，非常简单的算法也能得出良好、稳定的结果。这需要运用特征有效性分析的相关技术，如相关系数、卡方检验、平均互信息、条件熵、后验概率、逻辑回归权重等方法。
4. 模型训练与调优 直到这一步才用到我们上面说的算法进行训练。 现在很多算法都能够封装成黑盒使用。但是真正考验水平的是调整这些算法的（超）参数，使得结果变得更加优良。这需要我们对算法的原理有深入的理解。理解越深入，就越能发现问题的症结，提出良好的调优方案。
5. 模型诊断 如何确定模型调优的方向与思路呢？这就需要对模型进行诊断的技术。 过拟合、欠拟合 判断是模型诊断中至关重要的一步。常见的方法如交叉验证，绘制学习曲线等。过拟合的基本调优思路是增加数据量，降低模型复杂度。欠拟合的基本调优思路是提高特征数量和质量，增加模型复杂度。 误差分析也是机器学习至关重要的步骤。通过观察误差样本，全面分析误差产生误差的原因:是参数的问题还是算法选择的问题，是特征的问题还是数据本身的问题...... 诊断后的模型需要进行调优，调优后的新模型需要重新进行诊断，这是一个反复迭代不断逼近的过程，需要不断地尝试， 进而达到最优状态。
6. 模型融合/集成 一般来说，模型融合后都能使得效果有一定提升。而且效果很好。 工程上，主要提升算法准确度的方法是分别在模型的前端（特征清洗和预处理，不同的采样模式）与后端（模型融合）上下功夫。因为他们比较标准可复制，效果比较稳定。而直接调参的工作不会很多，毕竟大量数据训练起来太慢了，而且效果难以保证。
7. 上线运行 这一部分内容主要跟工程实现的相关性更大。工程上是结果导向，模型在线上运行的效果直接决定模型的成败。不单纯包括其准确程度、误差等情况，还包括其运行的速度(时间复杂度)、资源消耗程度（空间复杂度）、稳定性是否可接受。 这些工作流程主要是工程实践上总结出的一些经验。并不是每个项目都包含完整的一个流程。这里的部分只是一个指导性的说明，只有多实践，多积累项目经验，才会有自己更深刻的认识。

geekcircle/machine-learning-interview-qa/8.md 机器学习中的数据清洗与特征处理综述 - 美团点评技术

• X → Y 的支持度表示项集 {X,Y} 在总项集中出现的概率
• 其中，I 表示总事务集，num()表示事务集中特定项集出现的次数，P(X)=num(X)/num(I)

• X → Y 的置信度表示在先决条件 X 发生的情况下，由规则 X → Y 推出 Y 的概率。

• X → Y 的提升度表示含有X的条件下，同时含有Y的概率，与Y总体发生的概率之比。

• 满足最小支持度和最小置信度的规则，叫做“强关联规则”

  最小支持度和最小置信度是人工设置的阈值

• Lift(X→Y) > 1 的 X→Y 是有效的强关联规则
• Lift(X→Y) <=1 的 X→Y 是有效的强关联规则
• 特别地，Lift(X→Y) = 1 时，X 与 Y 相互独立。

• “茶叶→咖啡”的支持度：Support(X→Y) = 450 / 1000 = 45%
• “茶叶→咖啡”的置信度：Confidence(X→Y) = 450 / 500 = 90%
• “茶叶→咖啡”的提升度：Lift(X→Y) = 90% / 90% = 1