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):
