在数据科学的面试中,除了回归分析之外,随机森林、支持向量机(SVM)、偏差-方差权衡和集成方法也是经常被问到的话题。本文将详细解释这些概念,并提供一些面试中可能遇到的问题。
决策树能够处理数值型和分类型特征。在决策树的每个分割点,分类变量的元素属于特定类别,而连续变量的元素高于某个阈值。更好的方法是使用编码技术,如标签编码(LabelEncoding)或独热编码(OneHotEncoding),将分类变量转换为连续变量。
随机森林是一种集成算法,遵循装袋(bagging)方法。随机森林中的基估计器是决策树。随机森林通过随机选择特征集来选择每个决策树节点的最佳分割点。这是一种用于回归和分类问题的监督机器学习算法。
随机森林通过以下步骤构建模型:
随机森林主要用于特征重要性选择。可以使用._feature_importances_
方法来找到随机森林模型的特征重要性。
一些重要的参数包括:
n_estimators
:随机森林中的决策树数量。criterion
:使用“Gini”或“Entropy”作为分裂标准。min_samples_split
:在分裂前叶节点中的最小样本数。max_features
:每个决策树分割时考虑的最大特征数。n_jobs
:用于拟合和预测的并行作业数。设置为(-1)可以利用所有可用核心进行并行处理。在Scikit-Learn库中,可以使用以下代码导入并使用随机森林方法:
from sklearn.ensemble import RandomForestClassifiermodel = RandomForestClassifier()
预测模型中的预测误差主要由两个原因引起:偏差和方差。偏差-方差权衡告诉要最小化预测中的偏差和方差,以避免模型欠拟合和过拟合。
偏差是由于机器学习算法过于简化而产生的误差。偏差是模型平均预测与实际值之间的差异。高偏差总是导致训练和测试集的高误差。
方差误差是由于复杂的机器学习算法而产生的。方差表示给定数据点的预测与实际值之间的变异性。方差是模型预测在不同模型实现之间的变化程度。
例如,在选举中,投票给杰克的有13票,投票给约翰的有16票,未回应的有21票,总共50票。投票给杰克的概率是13/50,或44.8%。预测约翰会以10分的优势获胜,但选举结果出来后,他以10分的差距落败。但在哪里出错了呢?
答案是预测可能基于有偏见的源数据,或者样本量太小。小样本量会增加方差。增加样本量会使结果更加一致,但由于源数据有偏见,仍然可能非常不准确。然而,这会减少方差。
因此,如果试图减少偏差,方差会增加,反之亦然。因此,根据需求交换一个以换取另一个,并尽量保持两者都尽可能小。
集成方法是由多个弱学习器组成的,它们共同构成一个强学习器。有两种技术可以用来构建集成模型:装袋(Bagging)和提升(Boosting)。
装袋:如果目标是减少过拟合模型的方差,那么使用自助聚合模型。装袋技术的工作方式是用替换的方式从训练数据中产生几个随机子集。现在,每个子集数据集合被用来训练它们的决策树。结果,得到了一个不同模型的集合。所有树的预测的平均值被使用,这比单一决策树更健壮。
提升:提升技术用简单的模型依次拟合早期学习器,并分析数据中的错误。换句话说,提升用随机样本拟合连续的树,并在每一步减少来自初始决策树的净误差。
当一个假设错误地预测一个输入时,它的权重会更新。因此,接下来的假设更有可能正确预测输出。在最后将整个集合混合在一起,将脆弱的学习器转变为表现更好的模型。
不同类型的提升算法包括:
SVM或支持向量机是一种监督机器学习算法,它使用两种类型的SVM分类器进行分类:线性SVM和非线性SVM。
线性SVM通过一条直线超平面将数据点分开,这条超平面也被称为最大间隔超平面。上述图像显示了线性SVM模型构建过程,其中有三个超平面。这些超平面将数据点分成两个类别,但是hyperplane 1与最近的数据样本具有最大间隔,因此它将被选为最终预测。
上述图像显示了执行二元分类SVM的Python代码。SVM默认使用线性核。SVM对象有一个SVC方法用于支持向量分类器。
非线性SVM:在多类分类任务中,数据点位于超过两个维度的空间中。因此,使用线性超平面分离这些数据点在p维空间中是不可行的。因为在p维空间中,数据变得非线性可分,不能使用线性核进行分离。因此,使用核技巧在更高维度进行线性分离。核技巧绘制非线性超平面。
一些标准核包括:
可以在另一篇文章中了解更多关于这些核的信息。上述图像表示了一个使用核作为超平面对多类分类问题的SVM模型构建过程。这个模型使用核来将数据点分类到它们各自的类别或标签。
尽管线性和非线性SVM的Python代码保持不变,只是核有所变化。让用以下示例来理解差异:
上述图像显示了在iris数据集上进行的多类分类。有三个类别需要分类:Iris Setosa、Iris Versicolour和Iris Virginica。这个图像显示了不同核在两个特征(萼片长度和萼片宽度)方面的分类。
带有线性核的SVC与LinearSVC相同。而RBF核和多项式核则用非线性超平面分离数据。由于所有这些模型只使用两个维度,因此带有核的分类看起来像线性的。然而,如果使用多维空间,核的分类将更准确,但不幸的是,不能在这里可视化多维空间。所以只能想象。
SVM非常适用于具有大量特征的数据。
还可以利用核技巧对非线性数据进行分类。
SVM在文本分类方面表现良好,如垃圾邮件或非垃圾邮件分类。
SVM是一个稳健的分类模型,因为它最大化了间隔。
SVM的主要挑战是选择核。错误的核可能会增加错误。
它在大量样本中表现不佳。
SVM在测试阶段可能非常慢。
SVM算法高度复杂,由于二次规划,消耗大量内存。
已经讨论了一些数据科学面试问题,涵盖了决策树、随机森林、集成学习和SVM。所有这些概念对于面试都是必不可少的。这些概念通常用于实际项目中,因此在准备数据科学面试时,了解这些概念非常重要。