你是合格的機器學習數據科學家嗎？來挑戰這40題吧！（附解答）

選自 Analytics Vidhya

作者：ANKIT GUPTA

機器之心編譯

參與：機器之心編輯部

目前機器學習是最搶手的技能之一。如果你是一名數據科學家，那就需要對機器學習很擅長，而不只是三腳貓的功夫。作為 DataFest 2017 的一部分，Analytics Vidhya 組織了不同的技能測試，從而數據科學家可以就這些關鍵技能進行自我評估。測試包括機器學習、深度學習、時序問題以及概率。這篇文章將給出機器學習測試問題的解答。你可以通過鏈接獲得其他測試問題及解答。

• 深度學習：https://www.analyticsvidhya.com/blog/2017/04/40-questions-test-data-scientist-deep-learning/

• 時序問題：https://www.analyticsvidhya.com/blog/2017/04/40-questions-on-time-series-solution-skillpower-time-series-datafest-2017/

• 概率：https://www.analyticsvidhya.com/blog/2017/04/40-questions-on-probability-for-all-aspiring-data-scientists/

在本文的機器學習測試中，超過 1350 人註冊參與其中。該測試可以檢驗你對機器學習概念知識的掌握，並為你步入業界做準備。如果錯過了實時測試，沒有關係，你可以回顧本文以自我提升。機器之心對這些試題及解答進行了編譯介紹。你能答對多少題呢？不妨與我們分享。

整體分數分布

下面給出了測試得分的分布，希望能幫助你了解一下自己的水平。成績單也可以看這裡：https://datahack.analyticsvidhya.com/contest/skillpower-machine-learning/lb

目前已有 210 人參與了這些試題的測試，最高分為 36。平均得分為 19.36，中位數為 21，最常出現的得分（Mode Score）為 27。

測試題與解答

假定特徵 F1 可以取特定值：A、B、C、D、E 和 F，其代表著學生在大學所獲得的評分。現在請答題：

1. 在下面說法中哪一項是正確的？

A. 特徵 F1 是名義變數（nominal variable）的一個實例。

B. 特徵 F1 是有序變數（ordinal variable）的一個實例。

C. 該特徵並不屬於以上的分類。

D. 以上說法都正確。

答案為（B）：有序變數是一種在類別上有某些順序的變數。例如，等級 A 就要比等級 B 所代表的成績好一些。

2. 下面哪個選項中哪一項屬於確定性演算法？

A.PCA

B.K-Means

C. 以上都不是

答案為（A）：確定性演算法表明在不同運行中，演算法輸出並不會改變。如果我們再一次運行演算法，PCA 會得出相同的結果，而 k-means 不會。

3. 兩個變數的 Pearson 相關性係數為零，但這兩個變數的值同樣可以相關。

A. 正確

B. 錯誤

答案為（A）：Y=X2，請注意他們不僅僅相關聯，同時一個還是另一個的函數。儘管如此，他們的相關性係數還是為 0，因為這兩個變數的關聯是正交的，而相關性係數就是檢測這種關聯。詳情查看：https://en.wikipedia.org/wiki/Anscombe"s_quartet

4. 下面哪一項對梯度下降（GD）和隨機梯度下降（SGD）的描述是正確的？

1. 在 GD 和 SGD 中，每一次迭代中都是更新一組參數以最小化損失函數。

2. 在 SGD 中，每一次迭代都需要遍歷訓練集中的所有樣本以更新一次參數。

3. 在 GD 中，每一次迭代需要使用整個訓練集或子訓練集的數據更新一個參數。

A. 只有 1

B. 只有 2

C. 只有 3

D.1 和 2

E.2 和 3

F. 都正確

答案為（A）：在隨機梯度下降中，每一次迭代選擇的批量是由數據集中的隨機樣本所組成，但在梯度下降，每一次迭代需要使用整個訓練數據集。

5. 下面哪個/些超參數的增加可能會造成隨機森林數據過擬合？

1. 樹的數量

2. 樹的深度

3. 學習速率

A. 只有 1

B. 只有 2

C. 只有 3

D.1 和 2

E.2 和 3

F. 都正確

答案為（B）：通常情況下，我們增加樹的深度有可能會造成模型過擬合。學習速率在隨機森林中並不是超參數。增加樹的數量可能會造成欠擬合。

6. 假如你在「Analytics Vidhya」工作，並且想開發一個能預測文章評論次數的機器學習演算法。你的分析的特徵是基於如作者姓名、作者在 Analytics Vidhya 寫過的總文章數量等等。那麼在這樣一個演算法中，你會選擇哪一個評價度量標準？

1. 均方誤差

2. 精確度

3. F1 分數

A. 只有 1

B. 只有 2

C. 只有 3

D. 1 和 3

E. 2 和 3

F. 1 和 2

答案為（A）：你可以把文章評論數看作連續型的目標變數，因此該問題可以劃分到回歸問題。因此均方誤差就可以作為損失函數的度量標準。

7. 給定以下三個圖表（從上往下依次為1，2，3）. 哪一個選項對以這三個圖表的描述是正確的？

A. 1 是 tanh，2 是 ReLU，3 是 SIGMOID 激活函數

B. 1 是 SIGMOID，2 是 ReLU，3 是 tanh 激活函數

C. 1 是 ReLU，2 是 tanh，3 是 SIGMOID 激活函數

D. 1 是 tanh，2 是 SIGMOID，3 是 ReLU 激活函數

答案為（D）：因為 SIGMOID 函數的取值範圍是 [0,1]，tanh 函數的取值範圍是 [-1,1]，RELU 函數的取值範圍是 [0,infinity]。

8. 以下是目標變數在訓練集上的 8 個實際值 [0,0,0,1,1,1,1,1]，目標變數的熵是所少？

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)

答案為（A）：信息熵的公式為：

9. 假定你正在處理類屬特徵，並且沒有查看分類變數在測試集中的分布。現在你想將 one hot encoding（OHE）應用到類屬特徵中。那麼在訓練集中將 OHE 應用到分類變數可能要面臨的困難是什麼？

A. 分類變數所有的類別沒有全部出現在測試集中

B. 類別的頻率分布在訓練集和測試集是不同的

C. 訓練集和測試集通常會有一樣的分布

D. A 和 B 都正確

E. 以上都不正確

答案為（D）：A、B 項都正確，如果類別在測試集中出現，但沒有在訓練集中出現，OHE 將會不能進行編碼類別，這將是應用 OHE 的主要困難。選項 B 同樣也是正確的，在應用 OHE 時，如果訓練集和測試集的頻率分布不相同，我們需要多加小心。

10.Skip gram 模型是在 Word2vec 演算法中為詞嵌入而設計的最優模型。以下哪一項描繪了 Skip gram 模型？

A. A

B. B

C. A 和 B

D. 以上都不是

答案為（B）：這兩個模型都是在 Word2vec 演算法中所使用的。模型 A 代表著 CBOW，模型 B 代表著 Skip gram。

11. 假定你在神經網路中的隱藏層中使用激活函數 X。在特定神經元給定任意輸入，你會得到輸出「-0.0001」。X 可能是以下哪一個激活函數？

A. ReLU

B. tanh

C. SIGMOID

D. 以上都不是

答案為（B）：該激活函數可能是 tanh，因為該函數的取值範圍是 (-1,1)。

12. 對數損失度量函數可以取負值。

A. 對

B. 錯

答案為（B）：對數損失函數不可能取負值。

13. 下面哪個/些對「類型 1（Type-1）」和「類型 2（Type-2）」錯誤的描述是正確的？

1. 類型 1 通常稱之為假正類，類型 2 通常稱之為假負類。

2. 類型 2 通常稱之為假正類，類型 1 通常稱之為假負類。

3. 類型 1 錯誤通常在其是正確的情況下拒絕假設而出現。

A. 只有 1

B. 只有 2

C. 只有 3

D. 1 和 2

E. 1 和 3

F. 3 和 2

答案為（E）：在統計學假設測試中，I 類錯誤即錯誤地拒絕了正確的假設（即假正類錯誤），II 類錯誤通常指錯誤地接受了錯誤的假設（即假負類錯誤）。

14. 下面在 NLP 項目中哪些是文本預處理的重要步驟？

1. 詞幹提取（Stemming）

2. 移去停止詞（Stop word removal）

3. 目標標準化（Object Standardization）

A. 1 和 2

B. 1 和 3

C. 2 和 3

D. 1、2 和 3

答案為（D）：詞幹提取是剝離後綴（「ing」，「ly」，「es」，「s」等）的基於規則的過程。停止詞是與語境不相關的詞（is/am/are）。目標標準化也是一種文本預處理的優良方法。

15. 假定你想將高維數據映射到低維數據中，那麼最出名的降維演算法是 PAC 和 t-SNE。現在你將這兩個演算法分別應用到數據「X」上，並得到數據集「X_projected_PCA」，「X_projected_tSNE」。下面哪一項對「X_projected_PCA」和「X_projected_tSNE」的描述是正確的？

A. X_projected_PCA 在最近鄰空間能得到解釋

B. X_projected_tSNE 在最近鄰空間能得到解釋

C. 兩個都在最近鄰空間能得到解釋

D. 兩個都不能在最近鄰空間得到解釋

答案為（B）：t-SNE 演算法考慮最近鄰點而減少數據維度。所以在使用 t-SNE 之後，所降的維可以在最近鄰空間得到解釋。但 PCA 不能。

16-17 題的背景：給定下面兩個特徵的三個散點圖（從左到右依次為圖 1、2、3）。

16. 在上面的圖像中，哪一個是多元共線（multi-collinear）特徵？

A. 圖 1 中的特徵

B. 圖 2 中的特徵

C. 圖 3 中的特徵

D. 圖 1、2 中的特徵

E. 圖 2、3 中的特徵

F. 圖 1、3 中的特徵

答案為（D）：在圖 1 中，特徵之間有高度正相關，圖 2 中特徵有高度負相關。所以這兩個圖的特徵是多元共線特徵。

17. 在先前問題中，假定你已經鑒別了多元共線特徵。那麼下一步你可能的操作是什麼？

1. 移除兩個共線變數

2. 不移除兩個變數，而是移除一個

3. 移除相關變數可能會導致信息損失。為了保留這些變數，我們可以使用帶罰項的回歸模型（如 ridge 或 lasso regression）。

A. 只有 1

B. 只有 2

C. 只有 3

D. 1 或 3

E. 1 或 2

答案為（E）：因為移除兩個變數會損失一切信息，所以我們只能移除一個特徵，或者也可以使用正則化演算法（如 L1 和 L2）。

18. 給線性回歸模型添加一個不重要的特徵可能會造成：

1. 增加 R-square

2. 減少 R-square

A. 只有 1 是對的

B. 只有 2 是對的

C. 1 或 2 是對的

D. 都不對

答案為（A）：在給特徵空間添加了一個特徵後，不論特徵是重要還是不重要，R-square 通常會增加。

19. 假設給定三個變數 X，Y，Z。(X, Y)、(Y, Z) 和 (X, Z) 的 Pearson 相關性係數分別為 C1、C2 和 C3。現在 X 的所有值加 2（即 X+2），Y 的全部值減 2（即 Y-2），Z 保持不變。那麼運算之後的 (X, Y)、(Y, Z) 和 (X, Z) 相關性係數分別為 D1、D2 和 D3。現在試問 D1、D2、D3 和 C1、C2、C3 之間的關係是什麼？

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. 無法確定

答案為（E）：特徵之間的相關性係數不會因為特徵加或減去一個數而改變。

20. 假定你現在解決一個有著非常不平衡類別的分類問題，即主要類別佔據了訓練數據的 99%。現在你的模型在測試集上表現為 99% 的準確度。那麼下面哪一項表述是正確的？

1. 準確度並不適合于衡量不平衡類別問題

2. 準確度適合于衡量不平衡類別問題

3. 精確率和召回率適合于衡量不平衡類別問題

4. 精確率和召回率不適合于衡量不平衡類別問題

A. 1 and 3

B. 1 and 4

C. 2 and 3

D. 2 and 4

答案為（A）：參考問題 4 的解答。

21. 在集成學習中，模型集成了弱學習者的預測，所以這些模型的集成將比使用單個模型預測效果更好。下面哪個/些選項對集成學習模型中的弱學習者描述正確？

1. 他們經常不會過擬合

2. 他們通常帶有高偏差，所以其並不能解決複雜學習問題

3. 他們通常會過擬合

A. 1 和 2

B. 1 和 3

C. 2 和 3

D. 只有 1

E. 只有 2

F. 以上都不對

答案為（A）：弱學習者是問題的特定部分。所以他們通常不會過擬合，這也就意味著弱學習者通常擁有低方差和高偏差。

22. 下面哪個/些選項對 K 折交叉驗證的描述是正確的

1. 增大 K 將導致交叉驗證結果時需要更多的時間

2. 更大的 K 值相比於小 K 值將對交叉驗證結構有更高的信心

3. 如果 K=N，那麼其稱為留一交叉驗證，其中 N 為驗證集中的樣本數量

A. 1 和 2

B. 2 和 3

C. 1 和 3

D. 1、2 和 3

答案為（D)：大 K 值意味著對過高估計真實預期誤差（訓練的折數將更接近於整個驗證集樣本數）擁有更小的偏差和更多的運行時間（並隨著越來越接近極限情況：留一交叉驗證）。我們同樣在選擇 K 值時需要考慮 K 折準確度和方差間的均衡。

23 題至 24 題的背景：交叉驗證在機器學習超參數微調中是十分重要的步驟。假定你需要為 GBM 通過選擇 10 個不同的深度值（該值大於 2）而調整超參數「max_depth」，該樹型模型使用 5 折交叉驗證。 4 折訓練驗證演算法（模型 max_depth 為 2）的時間為 10 秒，在剩下的 1 折中預測為 2 秒。

23. 哪一項描述擁有 10 個「max_depth」不同值的 5 折交叉驗證整體執行時間是正確的？

A. 少於 100 秒

B. 100-300 秒

C. 300-600 秒

D. 大於等於 600 秒

E. 無法估計

答案為（D）：因為深度為 2 的 5 折交叉驗證每一次迭代需要訓練 10 秒和測試 2 秒。因此五折驗證需要 12*5 = 60 秒，又因為我們需要搜索 10 個深度值，所以演算法需要 60*10 = 600。

24. 在先前的答案中，如果你訓練同樣的演算法調整 2 個超參數，假設是 max_depth 和 learning_rate。你想要選擇正確的值對抗 max_depth（從給定的 10 個深度值中）和學習率（從 5 個不同的學習率做選擇）。在此情況下，整體時間是下面的哪個？

A.1000-1500 秒

B.1500-3000 秒

C. 多於或等於 3000 Second

D. 都不是

答案為（D）：和 23 題一樣。

25. 下表是機器學習演算法 M1 的訓練錯誤率 TE 和驗證錯誤率 VE，基於 TE 和 VE 你想要選擇一個超參數（H）。

基於上表，你會選擇哪個 H 值？

A.1

B.2

C.3

D.4

E.5

答案為（D）：看這個表，D 選項看起來是最好的。

26. 為了得到和 SVD 一樣的投射（projection），你需要在 PCA 中怎樣做？

A. 將數據轉換成零均值

B. 將數據轉換成零中位數

C. 無法做到

D. 以上方法不行

答案為（A）：當數據有一個 0 均值向量時，PCA 有與 SVD 一樣的投射，否則在使用 SVD 之前，你必須將數據均值歸 0。

問題 27-28 的背景：假設存在一個黑箱演算法，其輸入為有多個觀察（t1, t2, t3,…….. tn）的訓練數據和一個新的觀察（q1）。該黑箱演算法輸出 q1 的最近鄰 ti 及其對應的類別標籤 ci。你可以將這個黑箱演算法看作是一個 1-NN（1-最近鄰）

27. 能夠僅基於該黑箱演算法而構建一個 k-NN 分類演算法？註：相對於 k 而言，n（訓練觀察的數量）非常大。

A. 可以

B. 不行

答案為（A）：在第一步，你在這個黑箱演算法中傳遞一個觀察樣本 q1，使該演算法返回一個最近鄰的觀察樣本及其類別，在第二步，你在訓練數據中找出最近觀察樣本，然後再一次輸入這個觀察樣本（q1）。該黑箱演算法將再一次返回一個最近鄰的觀察樣本及其類別。你需要將這個流程重複 k 次。

28. 我們不使用 1-NN 黑箱，而是使用 j-NN(j>1) 演算法作為黑箱。為了使用 j-NN 尋找 k-NN，下面哪個選項是正確的？

A. j 必須是 k 的一個合適的因子

B. j>k

C. 不能辦到

答案為（C）：原因和 27 題一樣

29. 有以下 7 副散點圖（從左到右分別編號為 1-7），你需要比較每個散點圖的變數之間的皮爾遜相關係數。下面正確的比較順序是？

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

答案為（B）：從圖1到圖4，相關性係數（絕對值）是遞減的。但圖4到7相關性係數絕對值是遞增的（值為負數，如0、-0.3、-0.7、-0.99等）

30. 你可以使用不同的標準評估二元分類問題的表現，例如準確率、log-loss、F-Score。讓我們假設你使用 log-loss 函數作為評估標準。下面這些選項，哪個／些是對作為評估標準的 log-loss 的正確解釋。

1. 如果一個分類器對不正確的分類很自信，log-loss 會嚴重的批評它。

2. 對一個特別的觀察而言，分類器為正確的類別分配非常小的概率，然後對 log-loss 的相應分布會非常大。

3. 3.log-loss 越低，模型越好。

A.1 和 3

B.2 和 3

C.1 和 2

D.1、2、3

答案為（D）：答案無需解釋。

問題 31-32 背景：下面是數據集給出的 5 個樣本。

注意：圖像中點之間的視覺距離代表實際距離。

31. 下面哪個是 3-NN（3-最近鄰）的留一法交叉驗證準確率？

A.0

B.0.4

C.0.8

D.1

答案為（C)：留一法交叉驗證，我們將選擇（n-1) 觀察值作為訓練，以及驗證的 1 觀察值。把每個點作為交叉驗證點，然後找到 3 個最近鄰點。所以，如果你在每個點上重複該步驟，你會為上圖中給出的所有正類找到正確的分類，而錯誤分類負類。因此，得到 80% 的準確率。

32. 下面哪個 K 值將會有最低的差一法（leave-one-out）交叉驗證精確度？

A. 1NN

B. 3NN

C. 4NN

D. 以上所有具有相同的差一法錯誤

答案（A）：在 1-NN 中，被錯誤分類的每一個點都意味著你將得到 0% 的精確度。

33. 假設你被給到以下數據，你想要在給定的兩個類別中使用 logistic 回歸模型對它進行分類。你正在使用帶有 L1 正則化的 logistic 回歸，其中 C 是正則化參數，w1 和 w2 是 x1 和 x2 的係數。當你把 C 值從 0 增加至非常大的值時，下面哪個選項是正確的？

A. 第一個 w2 成了 0，接著 w1 也成了 0

B. 第一個 w1 成了 0，接著 w2 也成了 0

C. w1 和 w2 同時成了 0

D. 即使在 C 成為大值之後，w1 和 w2 都不能成 0

答案（B）：通過觀察圖像我們發現，即使只使用 x2，我們也能高效執行分類。因此一開始 w1 將成 0；當正則化參數不斷增加時，w2 也會越來越接近 0。

34. 假設我們有一個數據集，在一個深度為 6 的決策樹的幫助下，它可以使用 100% 的精確度被訓練。現在考慮一下兩點，並基於這兩點選擇正確的選項。

注意：所有其他超參數是相同的，所有其他因子不受影響。

1. 深度為 4 時將有高偏差和低方差

2. 深度為 4 時將有低偏差和低方差

A. 只有 1

B. 只有 2

C. 1 和 2

D. 沒有一個

答案（A)：如果在這樣的數據中你擬合深度為 4 的決策樹，這意味著其更有可能與數據欠擬合。因此，在欠擬合的情況下，你將獲得高偏差和低方差。

35. 在 k-均值演算法中，以下哪個選項可用於獲得全局最小？

1. 嘗試為不同的質心（centroid）初始化運行演算法

2. 調整迭代的次數

3. 找到集群的最佳數量

A. 2 和 3

B. 1 和 3

C. 1 和 2

D. 以上所有

答案（D）：所有都可以用來調試以找到全局最小。

36. 假設你正在做一個項目，它是一個二元分類問題。你在數據集上訓練一個模型，並在驗證數據集上得到混淆矩陣。基於上述混淆矩陣，下面哪個選項會給你正確的預測。

1. 精確度是~0.91

2. 錯誤分類率是~0.91

3. 假正率（False correct classification）是~0.95

4. 真正率（True positive rate）是~0.95

A. 1 和 3

B. 2 和 4

C. 1 和 4

D. 2 和 3

答案（C）：精確度（正確分類）是 (50+100)/165，約等於 0.91。真正率是你正確預測正分類的次數，因此真正率將是 100/105 = 0.95，也被稱作敏感度或召回。

37. 對於下面的超參數來說，更高的值對於決策樹演算法更好嗎？

1. 用於拆分的樣本量

2. 樹深

3. 樹葉樣本

A. 1 和 2

B. 2 和 3

C. 1 和 3

D. 1、2 和 3

E. 無法分辨

答案（E）：對於選項 A、B、C 來說，如果你增加參數的值，性能並不一定會提升。例如，如果我們有一個非常高的樹深值，結果樹可能會過擬合數據，並且也不會泛化。另一方面，如果我們有一個非常低的值，結果樹也許與數據欠擬合。因此我們不能確定更高的值對於決策樹演算法就更好。

38-39 題背景 ：想像一下，你有一個 28x28 的圖片，並使用輸入深度為 3 和輸出深度為 8 在上面運行一個 3x3 的卷積神經網路。注意，步幅是 1，你正在使用相同的填充（padding）。

38. 當使用給定的參數時，輸出特徵圖的尺寸是多少？

A. 28 寬、28 高、8 深

B. 13 寬、13 高、8 深

C. 28 寬、13 高、8 深

D. 13 寬、28 高、8 深

答案（A）：計算輸出尺寸的公式是：輸出尺寸=(N – F)/S + 1。其中，N 是輸入尺寸，F 是過濾器尺寸，S 是步幅。閱讀這篇文章（鏈接：https://www.analyticsvidhya.com/blog/2016/04/deep-learning-computer-vision-introduction-convolution-neural-networks/）獲得更多了解。

39. 當使用以下參數時，輸出特徵圖的尺寸是多少？

A. 28 寬、28 高、8 深

B. 13 寬、13 高、8 深

C. 28 寬、13 高、8 深

D. 13 寬、28 高、8 深

答案 (B)：同上

40. 假設，我們正在 SVM 演算法中為 C（懲罰參數）的不同值進行視覺化繪圖。由於某些原因，我們忘記了使用視覺化標註 C 值。這個時候，下面的哪個選項在 rbf 內核的情況下最好地解釋了下圖（1、2、3 從左到右，圖 1 的 C 值 是 C 1，圖 2 的 C 值 是 C 2，圖 3 的 C 值 是 C 3）中的 C 值。

A. C1 = C2 = C3

B. C1 > C2 > C3

C. C1 < C2 < C3

D. 沒有一個

答案 (C)：錯誤項的懲罰參數 C。它也控制平滑決策邊界和訓練點正確分類之間的權衡。對於 C 的大值，優化會選擇一個較小邊距的超平面。更多內容：https://www.analyticsvidhya.com/blog/2015/10/understaing-support-vector-machine-example-code/