机器学习面试题汇总(K-means,KNN相关)
K-means,KNN面试题
1.简述一下K-means算法的原理和工作流程
2.简述一下KNN算法的原理
3.KNN算法有哪些优点和缺点?
4.不平衡的样本可以给KNN的预测结果造成哪些问题,有没有什么好的解决方式?
5.为了解决KNN算法计算量过大的问题,可以使用分组的方式进行计算,简述一下该方式的原理。
6.什么是欧氏距离和曼哈顿距离?
7.KNN中的K如何选取的?
8.什么是KD树?
9.KD树建立过程中切分维度的顺序是否可以优化?
10.KD树每一次继续切分都要计算该子区间在需切分维度上的中值,计算量很大,有什么方法可以对其进行优化?
11.K-means中常用的到中心距离的度量有哪些?
12.K-means中的k值如何选取?
13.K-means算法中初始点的选择对最终结果有影响吗?
14.K-means聚类中每个类别中心的初始点如何选择?
15.K-means中空聚类的处理
16.K-means是否会一直陷入选择质心的循环停不下来?
17.如何快速收敛数据量超大的K-means?
18.K-means算法的优点和缺点是什么?
19.如何对K-means聚类效果进行评估?
20.K-Means与KNN有什么区别
面试题答案总结请扫描小程序码在面试题相关小程序中查看:
获取更多校园招聘资讯请关注校园招聘公众号校招辅助(xiaozhaofuzhu):