1、机器学习是什么？
机器学习是人工智能的一种形式，它处理系统编程和自动化数据分析，使计算机能够通 过经验学习和行动，而无需明确编程。例如，机器人的编码方式使其可以根据从传感器收集 的数据执行任务。他们会自动从数据中学习程序并根据经验进行改进。
2、区分归纳学习和演绎学习的区别？
在归纳学习中，模型从一组观察到的实例中通过实例进行学习，以得出一个概括的结论。 另一方面，在演绎学习中，模型首先应用结论，然后得出结论。归纳学习是使用观察得出 结论的方法。演绎学习是使用结论形成观察的方法。例如，如果我们必须向孩子解释玩火 会导致烧伤。我们可以通过两种方式向孩子解释这一点；我们可以展示各种火灾事故的训练 示例或被烧伤的人的图像，并将其标记为〃危险〃。在这种情况下，孩子会在例子的帮助下理 解而不是玩火。它是归纳机器学习的形式。教同样事情的另一种方法是让孩子玩火，然后等 着看会发生什么。
3、数据挖掘和机器学习有什么区别？
数据挖掘可以描述为结构化数据试图抽象知识或有趣的未知模式的过程。在此过程中, 使用机器学习算法。机器学习代表了算法的研究、设计和开发，这些算法为处理器提供了无 需明确编程的学习能力。
4、机器学习中的过拟合是什么？
当统计模型描述随机误差或噪声而不是潜在关系时，可以在机器学习中看到过度拟合。 当模型过于复杂时，通常会观察到过度拟合。这是因为有太多关于训练数据类型数量的参数。 该模型表现不佳，已经过拟合。
5、为什么会出现过拟合？
当用于训练模型的标准不符合用于判断模型效率的标准时，就会出现过拟合的可能性。
6、避免过拟合的方法是什么？
当我们有一个小数据集并且模型试图从中学习时，就会发生过度拟合。通过使用大量数 据，可以避免过度拟合。但是，如果我们有一个小型数据库并且被迫基于它构建模型，那么 我们可以使用一种称为交叉验证的技术。在这种方法中，通常给模型一个已知数据的数据集, 在该数据集上运行训练数据集，以及对模型进行测试的未知数据的数据集。交叉验证的主要 目的是定义一个数据集以在训练阶段〃测试〃模型。如果有足够的数据，则使用〃等渗回归〃来 防止过度拟合。
7、有监督和无监督机器学习有什么区别？
在监督机器学习中，机器使用标记数据进行训练。然后将一个新的数据集输入到学习模 型中，以便该算法通过分析标记数据来提供积极的结果。例如，我们首先需要标记在执行分 类时训练模型所必需的数据。在无监督机器学习中，机器没有使用标记数据进行训练，而是 让算法在没有任何相应输出变量的情况下做出决策。
8、机器学习与深度学习有何不同？
机器学习是关于用于解析数据、从数据中学习，然后应用所学知识做出明智决策的算法。 深度学习是机器学习的一部分，它受到人脑结构的启发，在特征检测中特别有用。
9、KNN与k-means有什么区别？
KNN或K最近邻是用于分类目的的监督算法。在KNN中，将测试样本作为其最近邻 的大多数
的类别。另一方面，K-means是一种无监督算法，主要用于聚类。在k-means聚 类中，它只需要一组未标记的点和一个阈值。该算法进一步获取未标记的数据，并通过计算 不同未标记点之间距离的平均值来学习如何将其聚类成组。
10.机器学习中有哪些不同类型的算法方法？
机器赚钱中不同类型的算法方法有：监督学习半监督学习无监督学习转导强化学习
11、强化学习技术是什么？
强化学习是机器学习中使用的一种算法技术。它涉及一个代理，它通过产生动作和发现 错误或奖励来与其环境交互。不同的软件和机器采用强化学习来搜索在特定情况下应该遵循 的最佳行为或路径。它通常根据对其执行的每个动作的奖励或惩罚来学习。
12、偏差和方差之间的权衡是什么？
偏差和方差都是错误。偏差是由于学习算法中的错误或过于简单的假设而导致的错误。 它会导致模型对数据的拟合不足，从而难以具有高预测准确性并将知识从训练集推广到测试 集。方差是由于学习算法过于复杂而导致的错误。这导致算法对训练数据的高度变化高度敏 感，这可能导致模型过度拟合数据。为了最佳地减少错误的数量，需要权衡偏差和方差。
13、分类和回归有什么区别？
分类和回归的区别如下：分类回归分类是预测离散类标签的任务。回归是预测连续 量的任务。在分类问题中，数据被标记为两个或多个类别之一。回归问题需要对数量进行 预测。有两个类问题的分类称为二元分类，多于两个类称为多类分类包含多个输入变量的 回归问题称为多元回归问题。
将电子邮件分类为垃圾邮件或非垃圾邮件是分类问题的一个 示例。预测一段时间内的股票价格是一个回归问题。
14、在机器学习中使用的五种流行算法是什么？
五种流行的算法是：决策树概率网络神经网络支持向量机最近的邻居
15、集成学习是什么？
许多模型(例如分类器)被战略性地制作和组合以解决称为集成学习的特定计算程序。集 成方法也称为基于委员会的学习或学习多分类器系统。它训练各种假设来解决相同的问题。 集成建模最合适的示例之一是随机森林树，其中使用多个决策树来预测结果。它用于改进模 型的分类、函数逼近、预测等。
16、机器学习中的模型选择是什么？
在用于定义相同数据的不同数学模型中选择模型的过程称为模型选择。模型学习应用于 统计、数据挖掘和机器学习等领域。
17、在机器学习中构建假设或模型的三个阶段是什么？
在机器学习中建立假设或模型分为三个阶段：建筑模型它为模型选择合适的算法并根 据问题的要求对其进行训练。应用模型它负责通过测试数据检查模型的准确性。模型测试它 在测试后执行所需的更改并应用最终模型。
18、监督学习的标准方法是什么？
在监督学习中，标准方法是将示例集拆分为训练集和测试集。
19、〃训练集〃和〃训练测试〃是什么？
在机器学习的各个信息领域中，使用一组数据来发现潜在的预测关系，称为''训练集〃。 训练集是提供给学习者的示例。此外，〃测试集〃用于测试学习器生成的假设的准确性。它是 学习者阻止的一组实例。因此，训练集不同于测试集。
20、处理数据集中缺失数据的常用方法有哪些？
丢失数据是处理数据和处理时的标准因素之一。它被认为是数据分析师面临的最大挑战 之一。有很多方法可以估算缺失值。处理数据集中缺失数据的一些常用方法可以定义为删除 行、替换为均值/中值/众数、预测缺失值、分配唯一类别、使用支持缺失值的算法等。
21、归纳逻辑编程(ILP)是什么？
ILP代表归纳逻辑编程。它是使用逻辑编程的机器学习的一部分。它旨在搜索可用于构 建预测
模型的数据模式。在这个过程中，逻辑程序被假设为一个假设。
22、机器学习项目涉及哪些必要步骤？
在进行机器学习项目时，我们必须遵循几个基本步骤来实现良好的工作模型。这些步骤可能包括参数调整、数据准备、数据收集、模型训练、模型评估和预测等。
23、精确度和召回率是什么？
Precision和Recall都是信息检索领域中用来衡量信息检索系统根据用户请求回收相关数 据的
好坏的度量。精度可以说是一个积极的预测值。它是接收到的实例中相关实例的比例。 另一方面，召回率是已检索到的相关实例在总量或相关实例中所占的比例。召回也称为敏感 性。
24、机器学习中的决策树是什么？
决策树可以定义为监督机器学习，其中数据根据某个参数不断拆分。它构建类似于树结 构的分类或回归模型，在开发决策树时将数据集分解为更小的子集。树可以由两个实体定义, 即决策节点和叶子。叶子是决策或结果，决策节点是数据拆分的地方。决策树可以管理分类 数据和数值数据。
25、监督学习的功能是什么？
监督学习的功能是：分类语音识别回归预测时间序列注释字符串
26、无监督学习的功能是什么？
无监督学习的功能是：查找数据集群查找数据的低维表示在数据中寻找有趣的方向寻 找新的观察/数据库清理寻找有趣的坐标和相关性
27、算法无关的机器学习是什么？
算法独立的机器学习可以定义为机器学习，其中数学基础独立于任何特定的分类器或学 习算法。
28、机器学习中的分类器是什么？
分类器是假设或离散值函数的情况，用于将类标签分配给特定数据点。它是一个输入离 散或连续特征值向量并输出单个离散值(类)的系统。
29、遗传编程是什么？
遗传编程(GP)几乎类似于进化算法，它是机器学习的一个子集。遗传编程软件系统实 现了一种算法，该算法使用随机变异、适应度函数、交叉和多代进化来解决用户定义的任务。 遗传编程模型
基于测试并在一组结果中选择最佳选项。
30、什么是机器学习中的SVM? SVM可以处理的分类方法有哪些？
SVM代表支持向量机。SVM是具有相关学习算法的监督学习模型，用于分析用于分类和回归
分析的数据。SVM可以处理的分类方法有：结合二元分类器修改二进制以包含多 类学习
31、如何解释链表和数组是什么？
数组是一种数据类型，在几乎所有现代编程语言中都被广泛实现为默认类型。它用于存 储类似类型的数据。但是有很多用例我们不知道要存储的数据量。对于这种情况，需要高级 数据结构，其中一种数据结构是链表。有几点可以解释链表与数组的不同之处：数组链表 数组是一组具有相似数据类型的元素。链表是一组有序的相同类型的元素，它们使用指针 连接。元素连续存储在内存中。新元素可以存储在内存中的任何位置。数组支持随机访 问。
32、混淆矩阵是什么？
混淆矩阵是用于总结分类算法性能的表格。它也被称为误差矩阵。其中，TN=真阴性 TP=真阳性
FN=假阴性FP=误报
33、混淆矩阵中的真阳性、真阴性、假阳性和假阴性分别是什么？
真阳性当一个模型正确地预测了正类时，就说它是一个真正的正类。例如，当击球手未 出局时，裁判判他未出局。真阴性当一个模型正确地预测了负类时，就说它是一个真正的 负类。例如，当击球手出局时。，裁判员将击球手出局。假阳性当模型错误地预测了正类时， 就被称为误报。它也被称为\"I型〃错误。例如，当击球手出局时，裁判员会判他未出局。假 阴性当一个模型错误地预测了负类时，它被称为假负。它也被称为\"II型〃错误。例如，当击 球手未出局时，裁判将击球手出局。
34、模型准确性和模型性能之间更重要的是什么？
模型精度是模型性能的一个子集。模型的准确性与模型的性能成正比。因此，模型的性 能越好，预测就越准确。
35、Bagging 和 Boosting 是什么？
Bagging是集成学习中的一个过程，用于改进不稳定的估计或分类方案。依次使用 Boosting方
法来减少组合模型的偏差。
36、机器学习中的bagging和boosting有什么区别?
Bagging和Boosting的相似之处：两者都是从1个学习者那里获得N次学习的集成 方法。两者
都生成几个随机抽样的训练数据集。两者都通过取N个学习者的平均值来生成 最终结果。两者都减
少了差异并提供了更高的可扩展性。Bagging和Boosting的区别：虽 然它们是独立构建的，但对于
Bagging, Boosting尝试添加新模型，这些模型在以前的模型 失败的地方表现良好。只有Boosting才
能确定数据的权重，从而使天平有利于最具挑战性 的案例。
37、如何理解聚类抽样？
聚类抽样是在定义的群体中随机选择完整群体的过程，具有相似的特征。聚类样本是每 个采样单元是元素集合或聚类的概率。例如，如果我们对一组公司中的经理总数进行聚类, 在这种情况下，经理（样本）将代表元素，公司将代表集群。
38、贝叶斯网络是什么？
贝叶斯网络也称为〃信念网络〃或〃偶然网络〃，用于表示一组变量之间概率关系的图形模 型。例如，贝叶斯网络可用于表示疾病和症状之间的概率关系。根据症状，网络还可以计算 各种疾病存在的概率。高效的算法可以在贝叶斯网络中执行推理或学习。与变量（例如，语 音信号或蛋白质序列）相关的贝叶斯网络称为动态贝叶斯网络。
39、贝叶斯逻辑程序的两个组成部分是什么？
贝叶斯逻辑程序由两部分组成：逻辑它包含一组贝叶斯子句，这些子句捕获了域的定 性结构。定量它用于编码有关域的定量信息。
40、机器学习中的降维是什么？
降维是用于减少所考虑的随机变量数量的过程。降维可以分为特征选择和提取。
41、为什么基于实例的学习算法有时被称为惰性学习算法？
在机器学习中，惰性学习可以被描述为一种延迟归纳和泛化过程直到执行分类的方法。 由于相同的属性，基于实例的学习算法有时被称为惰性学习算法。
42、F1分数是什么？
F1分数代表模型性能的衡量标准。它被称为模型精度和召回率的加权平均值。趋向于1 的结果
被认为是最好的，趋向于0的被认为是最差的。它可以用于分类测试，其中真正的 否定并不重要。
43、如何修剪决策树？
修剪被认为是在决策树中发生的，当去除可能包含弱预测能力的分支以降低模型的复杂 性并提高决策树模型的预测准确性时。修剪可以自下而上和自上而下进行，采用减少错误修 剪和成本复杂性修剪等方法。减少错误修剪是最简单的版本，它取代了每个节点。如果它 不能降低预测的准确性，则应该对其进行修剪。但是，它通常非常接近一种可以优化最大精 度的方法。
44、推荐系统是什么？
推荐系统是信息过滤系统的子目录。它预测用户对产品的偏好或排名。根据偏好，它向 用户提供类似的推荐。推荐系统广泛应用于电影、新闻、研究文章、产品、社交提示、音乐 等。
45、欠拟合是什么？
当我们在训练集和测试集中都有低错误时，欠拟合是一个问题。很少有算法能更好地解 释，但不能更好地预测。
46、机器学习中什么时候需要正则化？
每当模型开始过拟合/欠拟合时，正则化都是必要的。它是使用目标函数引入更多特征 的成本项。因此，它试图将许多变量的系数推到零并减少成本项。它有助于降低模型复杂度， 使模型能够更好地预测(泛化)o
47、什么是正则化？正则化解决了什么样的问题？
正则化是一种回归形式，它将系数估计约束/正则化或缩小到零。换句话说，它不鼓励 学习更复杂或更灵活的模型来避免过度拟合的风险。它减少了模型的方差，而没有显着增加 其偏差。正则化用于解决过拟合问题，因为它通过添加权重向量w的LI (LASSO)或L2 (Ridge)范数的倍数来惩罚损失函数。
48、为什么需要将分类变量转换为因子？哪些函数用于执行转换？
大多数机器学习算法都需要数字作为输入。这就是将分类值转换为因子以获得数值的原 因。也不必处理虚拟变量。函数factor()和as.factor()用于将变量转换为因子。
49、将分类变量视为连续变量会产生更好的预测模型吗？
为了更好的预测模型，只有当变量本质上是序数时，分类变量才能被视为连续变量。
50、机器学习如何在日常生活中使用？
大多数人已经在日常生活中使用机器学习。假设您正在使用互联网，您实际上是在通过 搜索表达您的偏好、喜欢、不喜欢。所有这些东西都被您计算机上的cookie获取，据此评 估用户的行为。它有助于通过互联网增加用户的进度并提供类似的建议。导航系统也可以 被视为我们使用机器学习使用优化技术计算两个地点之间的距离的示例之一。当然，在不久 的将来，人们将更多地参与机器学习。
因篇幅问题不能全部显示，请点此查看更多更全内容