1.评价指标的局限性
问题1 准确性的局限性
准确率是分类问题中最简单也是最直观的评价指标，但存在明显的缺陷。比如，当负样本占99%时，分类器把所有样本都预测为负样本也可以获得99%的准确率。所以，当不同类别的样本比例非常不均衡时，占比大的类别往往成为影响准确率的最主要因素。
例子：Hulu的奢侈品广告主希望把广告定向投放给奢侈品用户。Hulu通过第三方的数据管理平台拿到了一部分奢侈品用户的数据，并以此为训练集和测试集，训练和测试奢侈品用户的分类模型，该模型的分类准确率超过了95%，但在实际广告投放过程中，该模型还是把大部分广告投给了非奢侈品用户，这可能是什么原因造成的？
解决方法：可以使用平均准确率（每个类别下的样本准确率的算术平均）作为模型评估的指标；也可能是其他问题：过拟合或欠拟合、测试集和训练集不合理、线下评估和线上测试的样本分布存在差异。
问题2 精确率与召回率的权衡
精确率=分类正确的正样本个数/分类器判定为正样本的样本个数 所有推荐了的新闻中该推荐的新闻的比例。 比如，推荐了10篇新闻，其中8篇是应该推荐的
召回率=分类正确的正样本个数/真正的正样本的样本个数 所有应该推荐的新闻中实际推荐了的新闻的比例。比如应该推荐10篇感兴趣的新闻，只推荐了其中的8篇。
要平衡精确率和召回率，可以调节区分正负类别的概率临界值。 为提高精确率，可以提高概率临界值，使得正类别的判断更加保守；为了提高召回率，可以降低概率临界值，以增加正类别的数量
例子：Hulu提供视频的模糊搜索功能，搜索排序模型返回的Top5的精确率非常高，但在实际使用过程中，用户还是经常找不到想要的视频，特别是一些比较冷门的剧集，这可能是哪个环节出了问题呢？分类器需要尽量在“更有把握”时才把样本预测为正样本，但此时往往会因为过于保守而漏掉很多“没有把握”的正样本，导致Recall值降低。
解决方法：用P-R曲线，横轴是召回率，纵轴是精确率。对于一个排序模型来说，其P-R曲线上的一个点代表着，在某一个阈值下，模型将大于该阈值的结果判定为正样本，小于该阈值的结果判定为负样本
建议：做搜索：保证召回的情况下提升准确率；做疾病监测、反垃圾：保证准确率的条件下，提升召回率
问题3 平方根误差的“意外”
例子：Hulu作为一家流媒体公司，拥有众多的美剧资源，预测每部美剧的流量趋势对于广告投放、用户增长都非常重要，我们希望构建一个回归模型来预测某部美剧的流量趋势，但无论采用哪种回归模型，得到的RMSE指标都非常高。然而事实是，模型在95%的时间区间内的预测误差都小于1%，取得了相当不错的预测结果。那么，造成RMSE指标居高不下的最可能原因是什么？
原因分析：在实际情况中，如果存在个别偏离程度非常大的离群点，即使离群点数量非常少，也会让RMSE指标变得很差。回到问题中，模型在95%的时间区间内的预测误差都小于1%，这说明，在大部分时间区间内，模型的
预测效果都是 非常优秀的，然而，RMSE却一直很差，这很可能是由于在其他的5%时间区间存在非常严重的离群点。事实上，在流量预估这个问题中，噪声点确实是很容易产生的，比如流量特别小的美剧、刚上映的美剧或者
刚获奖的美剧，甚至一些相关社交媒体突发事件带来的流量，都看会造成离群点。
解决方法：
1）如果我们认定这些离群点是“噪声点”的话，就需要在数据预处理的阶段把这些噪声点过滤掉；
2）如果不让我这些离群点是“噪声点”，就需要进一步提高模型的预测能力，将离群点产生的机制建模进去；
3）找一个更合适的指标来评估该模型。关于评估指标，其实是存在比RMSE的鲁棒性更好的指标，比如平均绝对百分误差MAPE(mean absolute percent error)，相比于RMSE,MAPE相当于把每个点的误差进行了归一化，降低了
个别离群点带来的绝对误差的影响。
2.ROC曲线
问题1：什么是ROC曲线？
ROC曲线是Receiver operating characteristic curve的简称，中文名为“受试者工作特征曲线”。ROC曲线源于军事领域，横坐标为假阳性率（False positive rate，FPR）,纵坐标为真阳性率（True positive rate，TPR）.
假阳性率 FPR = FP/N ---N个负样本中被判断为正样本的个数占真实的负样本的个数
真阳性率 TPR = TP/P ---P个正样本中被预测为正样本的个数占真实的正样本的个数
问题2：如何绘制ROC曲线？
ROC曲线是通过不断移动分类器的“截断点”来生成曲线上的一组关键点的，“截断点”指的就是区分正负预测结果的阈值。
通过动态地调整截断点，从最高的得分开始，逐渐调整到最低得分，每一个截断点都会对应一个FPR和TPR,在ROC图上绘制出每个截断点对应的位置，再连接所有点就得到最终的ROC曲线。
问题3：如何计算AUC？
AUC指的是ROC曲线下的面积大小，该值能够量化地反映基于ROC曲线衡量出的模型性能。由于ROC曲线一般都处于y=x这条直线的上方（如果不是的话，只要把模型预测的概率反转成1-p就可以得到一个更好的分类器），所以AUC的取值一般在0.5-1之间。AUC越大，说明分类器越可能把真正的正样本排在前面，分类性能越好。
问题4：ROC曲线相比P-R曲线有什么特点？
当正负样本的分布发生变化时，ROC曲线的形状能够基本保持不变，而P-R曲线的形状一般会发生较剧烈的变化。ROC能够尽量降低不同测试集带来的干扰，更加客观的衡量模型本身的性能。如果研究者希望更多地看到模型在特定数据集上的表现，P-R曲线能够更直观地反映其性能。
3.余弦距离的应用
问题1：结合你的学习和研究经历，探讨为什么在一些场景中要使用余弦相似度而不是欧氏距离？
余弦相似度在高维情况下依然保持“相同时为1，正交时为0，相反时为-1”的性质，而欧式距离的数值则受维度影响，并且含义也比较模糊。
总体来说，欧氏距离体现数值上的绝对差异，而余弦距离体现方向上的相对差异。
例子：统计两部剧的用户观看行为，用户A的观看向量为（0,1），用户B为（1,0）；此时两者的余弦距离很大，而欧氏距离很小；我们分析两个用户对不同视频的偏好，更关注相对差异，显然应当使用余弦距离；而我们分析用户活跃度，以登录次数和平均观看时长作为特征时，余弦距离会认为（1,10）和（10,100）两个用户距离很近；但显然这两个用户活跃度是有着极大差异的，此时我们更关注数值绝对误差，应当使用欧式距离。
问题2：余弦距离是否是一个严格定义的距离？
距离需满足三条性质：正定性、对称性、三角不等式；
余弦距离满足正定性和对称性，但是不满足三角不等式，因此它不是严格意义上的距离。
正定性证明dist(A,B)>0;
对称性证明dist(A,B)=dist(B,A)
三角不等式证明dist(A,C)+dist(C,B) >= dist(A,B)
例子：在通过影视语料库训练出的词向量中，comedy和funny，funny和happy的余弦距离都很近，小于0.3，然而comedy和happy的余弦距离却高达0.7.这一现象明显不符合距离的定义。
在机器学习领域中，KL距离也叫相对熵，常用于计算两个分布之间的差异，但不满足对称性和三角不等式。
4.A/B测试的陷阱
问题1：在对模型进行充分的离线评估之后，为什么还要进行在线A/B测试？
原因：（1）离线评估无法完全消除模型过拟合的影响；
（2）离线评估无法完全还原线上的工程环境；
（3）线上系统的某些商业指标在离线评估中无法计算。
问题2：如何进行线上A/B测试？
进行用户分桶，即将用户分成实验组和对照组，对实验组的用户施以新模型，对对照组的用户施以旧模型，在分桶的过程中，要注意样本的独立性和采样方式的无偏性，确保同一个用户每次只能分到同一个桶中，在分桶过程中所选取的user_id需要是一个随机数，这样才能保证桶中的样本是无偏的。
问题3：如何划分实验组和对照组？
例子：H公司的算法工程师们最近针对系统中的“美国用户”研发了一套全新的视频推荐模型A，而目前正在使用的针对全体用户的推荐模型是B。在正式上线之前，工程师们希望通过A/B测试来验证新推荐模型效果。
正确的做法是将所有美国用户根据user_id个位数划分为试验组合对照组，分别施以模型A和B，才能验证模型A的效果。
5.模型评估的方法
问题1：在模型评估过程中，有哪些主要的验证方法，它们的优缺点是什么?
（1）Holdout检验：
直接将原始的样本集合随机划分成训练集和验证集两部分。比方说，对于一个点击量预测模型，我们把样本按照70%~30%的比例分成两部分，70%的样本用于模型训练；30%的样本用于模型验证，包括绘制ROC曲线、计算精确率和召回率等指标来评估模型性能；
缺点：在验证集上计算出来的最后评估指标与原始分组有很大的关系
（2）交叉验证
K-fold交叉验证：首先将全部样本划分成k个大小相等的样本子集；一次遍历这k个子集，每次把当前子集作为验证集，其余所有子集作为训练集，进行模型的训练和评估；最后把k次评估指标的平均值作为最终的评估指标。在实验中，k经常取10.
留一验证：每次留下一个样本作为验证集，其余所有样本作为测试集。在样本总数较多的情况下，留一验证的时间开销极大.
留p验证：每次留下p个样本作为验证集，而从n个元素中选择p个元素有Cnp种可能，因此它的时间开销更是远远高于留一验证。
（3）自助法
基于自助采样法的校验方法。对于总数为n的样本集合，进行n次有放回的随机抽样，得到大小为n的训练集。n次抽样过程中，有的样本会被重复采样，有的样本没有被抽出过，将这些没有被抽出的样本作为验证集，进行规模验证。
问题2：在自助法的采样过程中，对n个样本进行n次自助抽样，当n趋于无穷大时，最终有多少数据从未被选择过？
一个样本在一次抽样过程中未被抽中的概率为(1-1/n),n次抽样均未被抽中的概率为(1-1/n)n,当n趋于无穷大时，概率为1/e，因此当样本数很大时，大约有36.8%的样本从未被选择过，可作为验证集。
6.超参数调优？
问题1：超参数有哪些调优方法？
（1）网格搜索
通过查找搜索范围内的所有的点来确定最优值。如果采用较大的搜索范围以及较小的步长，网络搜索有很大概率找到全局最优值。然而，这种搜索方案十分消耗计算资源和时间，特别是需要调优的超参数比较多的时候，因此，在实际应用中，网格搜索法一般会使用较广的搜索范围和步长，来寻找全局最优值可能的位置；然后会逐渐缩小搜索范围和步长，来寻找更精确的最优值。这种方案可以降低所需的时间和计算量，但由于目标函数一般是非凸的，所以很可能会错过全局最优值。
（2）随机搜索
理论依据是如果样本集足够大，那么通过随机采样也能大概率地找到全局最优值，或其近似值。随机搜索一般会比网格搜索要快一些，但是和网格搜索的快速版一样，它的结果也是没法保证的。
（3）贝叶斯优化算法
网格搜索和随机搜索在测试一个新点时，会忽略前一个点的信息；而贝叶斯优化算法则充分利用了之前的信息。贝叶斯优化算法通过对目标函数形状进行学习，找到使目标函数向全局最优值提升的函数。具体来说，它学习目标函数形状的方法是，首先根据先验分布，假设一个搜集函数；然后，每一次使用新的采样点来测试目标函数时，利用一个这个信息来更新目标函数的先验分布；最后，算法测试由后验分布给出的全局最值最可能出现的位置的点。
对于贝叶斯优化算法，需要注意的是，一旦找到了一个局部最优值，它会在该区域不断采样，所以很容易陷入局部最优值。为了弥补这个缺陷，贝叶斯优化算法会在搜索和利用之间找到一个平衡点，“搜索”就是在还未取样的区域获取采样点；而“利用”则是根据后验分布在最可能出现全局最值的区域进行采样。
7.过拟合与欠拟合
问题1：在模型评估过程中，过拟合和欠拟合具体是指什么现象？
过拟合是指模型对于训练数据拟合呈过当的情况，反映到评估指标上，就是模型在训练集上的表现很好，但在测试集和新数据上的表现较差；
欠拟合指的是模型在训练和预测时表现到不好的情况。
问题2：能否说出几种降低过拟合和欠拟合风险的方法？
降低“过拟合”的方法：
（1）获得更多的训练数据
（2）降低模型复杂度
（3）正则化方法
（4）集成学习方法
降低“欠拟合”风险的方法：
（1）添加新特征
（2）增加模型复杂度
（3）减小正则化系数