目前機器學習是最搶手的技能之一。如果你是一名數據科學家，那就需要對機器學習很擅長，而不只是三腳貓的功夫。作為 DataFest 2017 的一部分，Analytics Vidhya 組織了不同的技能測試，從而數據科學家可以就這些關鍵技能進行自我評估。測試包括機器學習、深度學習、時序問題以及概率。這篇文章將給出機器學習測試問題的解答。
　　在本文的機器學習測試中，超過 1350 人注冊參與其中。該測試可以檢驗你對機器學習概念知識的掌握，并為你步入業界做準備。如果錯過了實時測試，沒有關系，你可以回顧本文以自我提升。機器之心對這些試題及解答進行了編譯介紹。你能答對多少題呢？不妨與我們分享。
　　
　　目前已有 210 人參與了這些試題的測試，最高分為 36。平均得分為 19.36，中位數為 21，最常出現的得分（Mode Score）為 27。
　　測試題與解答
　　假定特征 F1 可以取特定值：A、B、C、D、E 和 F，其代表著學生在大學所獲得的評分。現在請答題：
　　1.在下面說法中哪一項是正確的？
　　A. 特征 F1 是名義變量（nominal variable）的一個實例。
　　B. 特征 F1 是有序變量（ordinal variable）的一個實例。
　　C. 該特征并不屬于以上的分類。
　　D. 以上說法都正確。
　　答案為（B）：有序變量是一種在類別上有某些順序的變量。例如，等級 A 就要比等級 B 所代表的成績好一些。
　　2.下面哪個選項中哪一項屬于確定性算法？
　　A.PCA
　　B.K-Means
　　C. 以上都不是
　　答案為（A）：確定性算法表明在不同運行中，算法輸出并不會改變。如果我們再一次運行算法，PCA 會得出相同的結果，而 k-means 不會。
　　3.兩個變量的 Pearson 相關性系數為零，但這兩個變量的值同樣可以相關。
　　A. 正確
　　B. 錯誤
　　答案為（A）：Y=X2，請注意他們不僅僅相關聯，同時一個還是另一個的函數。盡管如此，他們的相關性系數還是為 0，因為這兩個變量的關聯是正交的，而相關性系數就是檢測這種關聯。
　　4.下面哪一項對梯度下降（GD）和隨機梯度下降（SGD）的描述是正確的？
　　在 GD 和 SGD 中，每一次迭代中都是更新一組參數以最小化損失函數。
　　在 SGD 中，每一次迭代都需要遍歷訓練集中的所有樣本以更新一次參數。
　　在 GD 中，每一次迭代需要使用整個訓練集或子訓練集的數據更新一個參數。
　　A. 只有 1
　　B. 只有 2
　　C. 只有 3
　　D.1 和 2
　　E.2 和 3
　　F. 都正確
　　答案為（A）：在隨機梯度下降中，每一次迭代選擇的批量是由數據集中的隨機樣本所組成，但在梯度下降，每一次迭代需要使用整個訓練數據集。
　　5.下面哪個/些超參數的增加可能會造成隨機森林數據過擬合？
　　樹的數量
　　樹的深度
　　學習速率
　　A. 只有 1
　　B. 只有 2
　　C. 只有 3
　　D.1 和 2
　　E.2 和 3
　　F. 都正確
　　答案為（B）：通常情況下，我們增加樹的深度有可能會造成模型過擬合。學習速率在隨機森林中并不是超參數。增加樹的數量可能會造成欠擬合。
　　6.假如你在「Analytics Vidhya」工作，并且想開發一個能預測文章評論次數的機器學習算法。你的分析的特征是基于如作者姓名、作者在 Analytics Vidhya 寫過的總文章數量等等。那么在這樣一個算法中，你會選擇哪一個評價度量標準？
　　（1）均方誤差、（2）精確度、（3）F1 分數
　　A. 只有 1
　　B. 只有 2
　　C. 只有 3
　　D. 1 和 3
　　E. 2 和 3
　　F. 1 和 2
　　答案為（A）：你可以把文章評論數看作連續型的目標變量，因此該問題可以劃分到回歸問題。因此均方誤差就可以作為損失函數的度量標準。
　　7.給定以下三個圖表（從上往下依次為1，2，3）。 哪一個選項對以這三個圖表的描述是正確的？
　　
　　A. 1 是 tanh，2 是 ReLU，3 是 SIGMOID 激活函數
　　B. 1 是 SIGMOID，2 是 ReLU，3 是 tanh 激活函數
　　C. 1 是 ReLU，2 是 tanh，3 是 SIGMOID 激活函數
　　D. 1 是 tanh，2 是 SIGMOID，3 是 ReLU 激活函數
　　答案為（D）：因為 SIGMOID 函數的取值范圍是 ［0，1］，tanh 函數的取值范圍是 ［-1，1］，RELU 函數的取值范圍是 ［0，infinity］。
　　8.以下是目標變量在訓練集上的 8 個實際值 ［0，0，0，1，1，1，1，1］，目標變量的熵是所少？
　　A. -（5/8 log（5/8） + 3/8 log（3/8））
　　B. 5/8 log（5/8） + 3/8 log（3/8）
　　C. 3/8 log（5/8） + 5/8 log（3/8）
　　D. 5/8 log（3/8） – 3/8 log（5/8）
　　答案為（A）
　　9.假定你正在處理類屬特征，并且沒有查看分類變量在測試集中的分布。現在你想將 one hot encoding（OHE）應用到類屬特征中。那么在訓練集中將 OHE 應用到分類變量可能要面臨的困難是什么？
　　A. 分類變量所有的類別沒有全部出現在測試集中
　　B. 類別的頻率分布在訓練集和測試集是不同的
　　C. 訓練集和測試集通常會有一樣的分布
　　D. A 和 B 都正確
　　E. 以上都不正確
　　答案為（D）：A、B 項都正確，如果類別在測試集中出現，但沒有在訓練集中出現，OHE 將會不能進行編碼類別，這將是應用 OHE 的主要困難。選項 B 同樣也是正確的，在應用 OHE 時，如果訓練集和測試集的頻率分布不相同，我們需要多加小心。
　　10.Skip gram 模型是在 Word2vec 算法中為詞嵌入而設計的最優模型。以下哪一項描繪了 Skip gram 模型？
　　
　　A. A
　　B. B
　　C. A 和 B
　　D. 以上都不是
　　答案為（B）：這兩個模型都是在 Word2vec 算法中所使用的。模型 A 代表著 CBOW，模型 B 代表著 Skip gram。
　　11.假定你在神經網絡中的隱藏層中使用激活函數 X。在特定神經元給定任意輸入，你會得到輸出「-0.0001」。X 可能是以下哪一個激活函數？
　　A. ReLU
　　B. tanh
　　C. SIGMOID
　　D. 以上都不是
　　答案為（B）：該激活函數可能是 tanh，因為該函數的取值范圍是 （-1，1）。
　　12.對數損失度量函數可以取負值。
　　A. 對
　　B. 錯
　　答案為（B）：對數損失函數不可能取負值。
　　13.下面哪個/些對「類型 1（Type-1）」和「類型 2（Type-2）」錯誤的描述是正確的？
　　類型 1 通常稱之為假正類，類型 2 通常稱之為假負類。
　　類型 2 通常稱之為假正類，類型 1 通常稱之為假負類。
　　類型 1 錯誤通常在其是正確的情況下拒絕假設而出現。
　　A. 只有 1
　　B. 只有 2
　　C. 只有 3
　　D. 1 和 2
　　E. 1 和 3
　　F. 3 和 2
　　答案為（E）：在統計學假設測試中，I 類錯誤即錯誤地拒絕了正確的假設（即假正類錯誤），II 類錯誤通常指錯誤地接受了錯誤的假設（即假負類錯誤）。
　　14.下面在 NLP 項目中哪些是文本預處理的重要步驟？
　　詞干提取（Stemming）
　　移去停止詞（Stop word removal）
　　目標標準化（Object Standardization）
　　A. 1 和 2
　　B. 1 和 3
　　C. 2 和 3
　　D. 1、2 和 3
　　答案為（D）：詞干提取是剝離后綴（「ing」，「ly」，「es」，「s」等）的基于規則的過程。停止詞是與語境不相關的詞（is/am/are）。目標標準化也是一種文本預處理的優良方法。
　　15.假定你想將高維數據映射到低維數據中，那么最出名的降維算法是 PAC 和 t-SNE。現在你將這兩個算法分別應用到數據「X」上，并得到數據集「X_projected_PCA」，「X_projected_tSNE」。下面哪一項對「X_projected_PCA」和「X_projected_tSNE」的描述是正確的？
　　A. X_projected_PCA 在最近鄰空間能得到解釋
　　B. X_projected_tSNE 在最近鄰空間能得到解釋
　　C. 兩個都在最近鄰空間能得到解釋
　　D. 兩個都不能在最近鄰空間得到解釋
　　答案為（B）：t-SNE 算法考慮最近鄰點而減少數據維度。所以在使用 t-SNE 之后，所降的維可以在最近鄰空間得到解釋。但 PCA 不能。
　　16-17 題的背景：給定下面兩個特征的三個散點圖（從左到右依次為圖 1、2、3）。
　　
　　16.在上面的圖像中，哪一個是多元共線（multi-collinear）特征？
　　A. 圖 1 中的特征
　　B. 圖 2 中的特征
　　C. 圖 3 中的特征
　　D. 圖 1、2 中的特征
　　E. 圖 2、3 中的特征
　　F. 圖 1、3 中的特征
　　答案為（D）：在圖 1 中，特征之間有高度正相關，圖 2 中特征有高度負相關。所以這兩個圖的特征是多元共線特征。
　　17.在先前問題中，假定你已經鑒別了多元共線特征。那么下一步你可能的操作是什么？
　　移除兩個共線變量
　　不移除兩個變量，而是移除一個
　　移除相關變量可能會導致信息損失。為了保留這些變量，我們可以使用帶罰項的回歸模型（如 ridge 或 lasso regression）。
　　A. 只有 1
　　B. 只有 2
　　C. 只有 3
　　D. 1 或 3
　　E. 1 或 2
　　答案為（E）：因為移除兩個變量會損失一切信息，所以我們只能移除一個特征，或者也可以使用正則化算法（如 L1 和 L2）。
　　18.給線性回歸模型添加一個不重要的特征可能會造成：
　　增加 R-square
　　減少 R-square
　　A. 只有 1 是對的
　　B. 只有 2 是對的
　　C. 1 或 2 是對的
　　D. 都不對
　　答案為（A）：在給特征空間添加了一個特征后，不論特征是重要還是不重要，R-square 通常會增加。
　　19.假設給定三個變量 X，Y，Z。（X， Y）、（Y， Z） 和 （X， Z） 的 Pearson 相關性系數分別為 C1、C2 和 C3。現在 X 的所有值加 2（即 X+2），Y 的全部值減 2（即 Y-2），Z 保持不變。那么運算之后的 （X， Y）、（Y， Z） 和 （X， Z） 相關性系數分別為 D1、D2 和 D3。現在試問 D1、D2、D3 和 C1、C2、C3 之間的關系是什么？
　　A. D1= C1， D2 《 C2， D3 》 C3
　　B. D1 = C1， D2 》 C2， D3 》 C3
　　C. D1 = C1， D2 》 C2， D3 《 C3
　　D. D1 = C1， D2 《 C2， D3 《 C3
　　E. D1 = C1， D2 = C2， D3 = C3
　　F. 無法確定
　　答案為（E）：特征之間的相關性系數不會因為特征加或減去一個數而改變。
　　20.假定你現在解決一個有著非常不平衡類別的分類問題，即主要類別占據了訓練數據的 99%。現在你的模型在測試集上表現為 99% 的準確度。那么下面哪一項表述是正確的？
　　準確度并不適合于衡量不平衡類別問題
　　準確度適合于衡量不平衡類別問題
　　精確率和召回率適合于衡量不平衡類別問題
　　精確率和召回率不適合于衡量不平衡類別問題
　　A. 1 and 3
　　B. 1 and 4
　　C. 2 and 3
　　D. 2 and 4
　　答案為（A）：參考問題 4 的解答。
　　21.在集成學習中，模型集成了弱學習者的預測，所以這些模型的集成將比使用單個模型預測效果更好。下面哪個/些選項對集成學習模型中的弱學習者描述正確？
　　他們經常不會過擬合
　　他們通常帶有高偏差，所以其并不能解決復雜學習問題
　　他們通常會過擬合
　　A. 1 和 2
　　B. 1 和 3
　　C. 2 和 3
　　D. 只有 1
　　E. 只有 2
　　F. 以上都不對
　　答案為（A）：弱學習者是問題的特定部分。所以他們通常不會過擬合，這也就意味著弱學習者通常擁有低方差和高偏差。
　　22.下面哪個/些選項對 K 折交叉驗證的描述是正確的
　　增大 K 將導致交叉驗證結果時需要更多的時間
　　更大的 K 值相比于小 K 值將對交叉驗證結構有更高的信心
　　如果 K=N，那么其稱為留一交叉驗證，其中 N 為驗證集中的樣本數量
　　A. 1 和 2
　　B. 2 和 3
　　C. 1 和 3
　　D. 1、2 和 3
　　答案為（D）：大 K 值意味著對過高估計真實預期誤差（訓練的折數將更接近于整個驗證集樣本數）擁有更小的偏差和更多的運行時間（并隨著越來越接近極限情況：留一交叉驗證）。我們同樣在選擇 K 值時需要考慮 K 折準確度和方差間的均衡。
　　23 題至 24 題的背景：交叉驗證在機器學習超參數微調中是十分重要的步驟。假定你需要為 GBM 通過選擇 10 個不同的深度值（該值大于 2）而調整超參數「max_depth」，該樹型模型使用 5 折交叉驗證。 4 折訓練驗證算法（模型 max_depth 為 2）的時間為 10 秒，在剩下的 1 折中預測為 2 秒。
　　23.哪一項描述擁有 10 個「max_depth」不同值的 5 折交叉驗證整體執行時間是正確的？
　　A. 少于 100 秒
　　B. 100-300 秒
　　C. 300-600 秒
　　D. 大于等于 600 秒
　　E. 無法估計
　　答案為（D）：因為深度為 2 的 5 折交叉驗證每一次迭代需要訓練 10 秒和測試 2 秒。因此五折驗證需要 125 = 60 秒，又因為我們需要搜索 10 個深度值，所以算法需要 6010 = 600。