面圈网
面试哥
注册登录
搜索
首页
社区
题库
问答广场
求职
职业考试
真题库
新
排行榜
教程
公司
发现
经验笔记
代码片段
技术栈
源码
在线文稿
资源下载
书库
首页
职业考试
乐信2020校园招聘算法笔试题
乐信2020校园招聘算法笔试题
时长:120分钟
总分:100分
143浏览
0人已完成答题
开始做题
题型介绍
题型
单选题
多选题
简答题
数量
15
5
3
1.
在分类中,如果AUC是0.5,表示分类器效果比随机猜还要差,对还是错?
问题详情
查看答案
A. 对
B. 错
2.
当数据集中有缺失值时,随机森林一般比AdaBoost表现要好,对还是错?
问题详情
查看答案
A. 对
B. 错
3.
逻辑回归等同于一个使用交叉熵loss,且没有隐藏层的神经网络,对还是错?
问题详情
查看答案
A. 对
B. 错
4.
PCA可以使用核,对还是错?
问题详情
查看答案
A. 对
B. 错
5.
K-means可以自动适应聚类簇的数量,对还是错?
问题详情
查看答案
A. 对
B. 错
6.
Bagging&nbsp中使用了bootstrap方法,对还是错?
问题详情
查看答案
Bagging 中使用了bootstrap方法,对还是错?
A. 对
B. 错
7.
使用单层神经网络,可以实现XOR操作,对还是错
问题详情
查看答案
A. 对
B. 错
8.
卷积神经网络不能用于文本处理,对还是错?
问题详情
查看答案
A. 对
B. 错
9.
数据标准化,对一下哪种模型预测结果没有影响
问题详情
查看答案
A. 使用常规分裂的决策树
B. 卷积神经网络
C. Lasso
D. 加入软间隔的SVM
10.
在训练神经网络时,如果出现训练error过高,下列哪种方法不能大幅度降低训...
问题详情
查看答案
在训练神经网络时,如果出现训练error过高,下列哪种方法不能大幅度降低训练error
A. 增加一个隐藏层
B. 在隐藏层中增加更多神经元
C. 对训练数据进行标准化
D. 增加训练数据
11.
以下对于生成模型,说法错误的是
问题详情
查看答案
A. 对联合概率P(class=C and sample =x)进行建模
B. 感知机是一种生成模型
C. 可以用来分类
D. 线性判别分析(LDA)是一种生成模型
12.
什么情况下,Lasso可以当做最小二乘法的线性回归
问题详情
查看答案
A. 权重参数使用高斯平滑
B. 求解算法比较简单
C. 权重参数使用L1 进行正则化
D. 权重参数使用L2进行正则化
13.
如果你训练GAN生成一些图片,生成器的LOSS已经非常低了,但是生成的图片...
问题详情
查看答案
如果你训练GAN生成一些图片,生成器的LOSS已经非常低了,但是生成的图片却很差,可能是什么原因
A. 判别器的效果较差
B. 生成器过拟合
C. 优化器陷入了局部最优
D. 其他都不对
14.
以下哪种激活函数可以导致梯度消失
问题详情
查看答案
A. ReLU
B. Tanh
C. Leaky ReLU
D. 其他都不是
15.
关于GBDT,以下说法错误的是&nbsp
问题详情
查看答案
关于GBDT,以下说法错误的是
A. 预测时,树与树之间可以并行计算
B. 在分布稠密的数据集上,泛化能力较好
C. 具有较好的可解释性
D. 效果总是比SVM要好
16.
在训练有软间隔的SVM时,减小松弛变量C可以导致?
问题详情
查看答案
A. 更加过拟合
B. 更小的间隔
C. 减小过拟合
D. 减少对对异常值的敏感
17.
随机森林相对于决策树的优点是什么
问题详情
查看答案
A. 可以有更低的训练error
B. 更好的估计后验概率
C. 降低模型偏差
D. 更加具有可解释性
18.
以下对于Logistic&nbspregression说法正确的是
问题详情
查看答案
以下对于Logistic regression说法正确的是
A. 最小化交叉熵loss
B. 有一个简单封闭的解析解
C. 对log-odds进行线性建模
D. 是一种估计样本分类后验概率的分类方法
19.
对于神经网络的说法,以下正确的是
问题详情
查看答案
A. 目标函数是凸函数
B. 输出总是在0到1之间
C. 可以用来做分类和回归
D. 可以用于集成学习
20.
以下哪些技术在训练神经网络中经常用到
问题详情
查看答案
A. 反向传播
B. 牛顿法
C. 线性编程
D. 交叉验证
21.
简述P-R曲线、F1-score、ROC曲线、AUC的定义并分析其优劣。
问题详情
查看答案
22.
LSTM&nbsp里各部分使用了不同的激活函数,为什么?可以使用其他激活...
问题详情
查看答案
LSTM 里各部分使用了不同的激活函数,为什么?可以使用其他激活函数吗?
23.
卷积神经网络如何用于文本分类任务
问题详情
查看答案
开始测试
×
确定开始答题吗? 一旦开始,将马上开始计时。
提
问题
写
面经
写
文章
微信
公众号
扫码关注公众号
回到
顶部
登录
×
微信登录
账号登录
验证码登录
记住我
登 录
忘记密码?
没有帐户?
立即注册
获取短信验证码
登 录
没有帐户?
立即注册
注册帐号
×
获取短信验证码
我已阅读并同意
《服务协议》
注 册
已有帐号?
立即登录