常见面试题以及参考答案

01 你是怎样理解“特征”

特征就是，于己而言，特征是某些突出性质的表现，于他而言，特征是区分事物的关键。

02 给定场景和问题，你如何设计特征？

基于人工经验的特征工程依然是目前的主流。

漏斗特征、时间窗口特征、多值离散特征

03 开发特征时候如何做数据探索，怎样选择有用的特征？

数据描述方法

• 集中趋势分析
• 离中趋势分析
• 数据分布分析
• 图分析

数理统计方法

• 假设检验
• 方差分析
• 相关分析
• 回归分析
• 因子分析

参考文章

过滤式：方差选择、卡方检验、互信息
优点是既然时间上高效，对于过拟合问题也具有较高的鲁棒性。缺点就是强相遇选择冗余的特征，因为他们不考虑特征之间的相关性，有可能某一个特征的分类能力很差，但是它和其它特征组合起来会得到不错的效果。

包裹式：Las Vagas算法
消耗资源

嵌入式：基于惩罚项的选择、基于树的选择GBDT

04 你是如何做数据清洗的？距离说明

过滤、填补缺失值、处理异常值

05 如何发现数据中的异常值，你是如何处理？

看发布、箱线图

06 缺失值如何处理？

删除
填充：离散的用众数、连续的用平均数（或中位数）

07 对于数值类型数据，你会怎样处理？为什么要做归一化？归一化有哪些方法？离散化有哪些方法，离散化和归一化有哪些优缺点？

归一化可以提高收敛速度，提升收敛的精度

归一化：最大值、均值
标准化：Z-score
离散化：分段、等频等距离
参考文章

08 标准化和归一化异同？

相同点：这俩都是线性变换，将原有数据进行了缩放，数据的大小顺序没有发生改变。
不同点：归一化一般放缩到[0,1]，标准化则转为服从正态分布，，影响归一化的主要是两个极值，而标准化里每个数据都会有影响，因为计算均值和标准差。

09 你是如何处理CTR类特征？

放缩然后离散化

10 讲解贝叶斯平滑原理？以及如何训练得到平滑参数

防止出现估计概率为0，影响后续计算

11 类别特征数据你是如何处理的？比如游戏品类、地域、设备

序号编码、one-hot编码、二进制编码

12 序号编码、one-hot编码、二进制编码都是什么？是否怎样的类别数据？

• 序号编码通常用于处理类别间具有大小关系的数据
• one-hot编码用于处理类别间不具有大小关系的特征。但是当类别取值较多的时候需要注意：
  • 用系数向量来节省空间
  • 配合特征选择来降低维度
• 二进制编码，先用序号编码给每个类别赋予一个类别id，然后将类别id转为二进制编码，本质上是利用二进制对id进行了hash映射，得到0-1特征向量，且维度少于one-hot编码

13 时间类型数据你的处理方法是什么？原因？

一般取到小时或者天，太细维度一来可解释性不强，二来造成特征维度增加，数据过于稀疏，也增加训练资源

14 你怎样理解组合特征？举个例子，并说明它和单特征有啥区别

组合特征其实就是特征的交叉。举个例子，比方说浏览新闻，给用户推荐新闻的时候如果按照性别或者兴趣这个特征来推，可能效果不是特别好，但经过观察发现，性别和兴趣有比较强的关系，例如女性可能更喜欢看娱乐类，男性更喜欢体育财经类，把这俩特征做组合加入到模型，效果比单特征要强很多。

15 如何处理高维组合特征？比如用户ID和内容ID？

使用矩阵分解，常用的矩阵分解有
QR分解：Q是正交矩阵，R是上三角矩阵
LU分解：下三角和上三角
SVD： 其中U , V U,VU,V是酉矩阵(矩阵A乘以其共轭转置是单位阵)
Jordan分解：分成多个Jordan块，每个Jordan块都是对角线是相同的特征值，次对角线是1。

16 如何理解笛卡尔积、外积、内积？

笛卡尔积是两两相乘，m条记录和n条记录的结果为mn条记录，内积是两个向量点乘，结果是一个数值，外积是列向量乘以行向量，结果是一个矩阵。

17 文本数据你会如何处理？

利用各种文本模型

参考文档