前两天刚面完一面，明天面二面，趁着印象还算深刻，记录下来，不管个人成功与否，希望对你们有参考意义；
面试7点40开始，是一位小姐姐来电面的（在上海上学），感觉应该是统计学/数学专业的，至于为什么会有这样的猜想，后续会提到；
1、上来就是对第二篇论文进行提问了，围绕这篇论文进行展开；
1.1、层次采样时什么意思，代价敏感是什么意思？
回答：之所以提出这两个方法，是因为目前在做的是倾斜数据集上的建模，如果直接建模，模型无法对少数类进行预测，所以需要在数据层面和算法层面进行改进；数据层面改进的方法就是进行层次采样，即根据数据集上每个类别的数据量的大小，对多数类进行欠采样（为了疏离噪声点，自定义采样半径），少数类进行过采样（在原有数据集上，进行有放回采样，之后SMOTE算法进行一定的合成）；再问，采样半径是是什么，如何计算并选择合适的采样半径？答曰：采样半径是多数类样本的一簇，尽管可能存在极其少数的噪声样本（噪声定义为异常且稀少），但是多数类的样本平均值是无法改变的；所以通过限制采样半径R，能够在一定程度上避免采样噪声样本，计算是通过标准化之后的欧式距离；接着马上问了，为什么不是马氏距离？之后补充：马氏距离（通过协方差计算）尽管可以消除特征量纲的影响，数据集的协方差不一定存在或难以计算，更进一步而言，欧式距离通用性更广，对特征进行标准化之后，能够消除量纲影响，因此选择欧式距离计算，至于怎么样选择，是通过实验法。面试官问到我时候做了数据集分布的测试，因为欧式距离适用于球形数据集，而其他分布的数据集是不适用的，这点我觉得没有太理解，也在找资料证实；回到代价敏感问题，是通过对样本类进行加权，使得模型能够有偏侧重于少数类（少数类往往更重要），提高整体性能，权重设置一般是样本数量倒数，再进一步可以通过搜索方法；
1.2、SMOTE算法是一个怎么样算法？
答曰：Smote算法是样本生成方法，通过对任意一个样本，找出其近邻样本，在此基础之上，加上一个高斯白噪声，生成一个新的样本，因为重复采样之后，数据集信息可能无法扩充，通过这个方法，能够进行一定的信息补充，不足之处是需要对新样本进行筛选，因为近邻不可控的性质；
1.3、讲一下随机森林算法原理
答曰：此处省略，可以自行百度
1.4、如何做的特征工程
答曰：对于类别型特征，通过ONE-HOT编码（不宜使用数值编码，数值编码的问题在于本身无序的特征，因为编码之后，就有序了，对原始的数据造成了影响），再进一步，数据集的数值型特征分散并不是很大，所以直接进行了使用，并未进行分块处理；更进一步，做好特征的预处理之后，再通过heat-map热图，观察特征之间的相关性（通过皮尔逊相关性计算【协方差/彼岸准差】），筛选出低相关性特征；目的在于消除部分冗余特征，便于后面的RF OOB贪心搜索；针对论文的东西基本就讲完了
2、如何看模型是否过拟合，如何克服过拟合，稀疏化的作用（我提到了L1,L2稀疏之后补充问的）
答曰：模型表现过拟合，即训练过程偏差bias低，而在测试过程variance高，模型就陷入了过拟合状态，一般采用的方法有：数据集层面：增加样本数量，减少数据集噪声，有些算法对噪声极其敏感，如硬间隔SVM，KNN；在算法层面：通过L1,L2正则限制算法的复杂度，通过early-stop观察拟合过程，出现过拟合时，立马停止；既然谈到L1,L2正则，它们的稀疏有什么不同，稀疏的作用是什么？
L1在限制模型复杂度的时候，使得某些特征权重为0，而L2使得模型特征接近于0，L2相对于L1更加平滑；出现这样的原因在于L1正则在原点附件二阶导数不存在，而L2是可以的，这是背后的理论推导；补充一下：在特别高维度（500W维度）特征下，L1往往表现的更好，稀疏的作用：降低数据存储压力，将特征映射到高维度，使得其更加可分；小姐姐说：还可以减少计算量，这点我们进行了讨论，我也举了一个SVM例子，通过核函数映射到高纬度，但是计算还是在低维进行的，尽管高维很多置0了，但是也是需要计算的，小姐姐也没说什么。整个过程其实涉及到很多数学的东西，尤其是数据分布，假设检验的东西在里面，很受益，之前关注度并不是那么高。
面试是一个相互学习的过程，平静面对，相互讨论和学习，查缺补漏，帮助成长，不要有过大的心理压力！
陆续要二面了，期待ing！