1. L1范式和L2范式的区别
(1) L1范式是对应参数向量绝对值之和
(2) L1范式具有稀疏性
(3) L1范式可以用来作为特征选择，并且可解释性较强（这里的原理是在实际Loss function 中都需要求最小值，根据L1的定义可知L1最小值只有0，故可以通过这种方式来进行特征选择）
(4) L2范式是对应参数向量的平方和，再求平方根
(5) L2范式是为了防止机器学习的过拟合，提升模型的泛化能力
L2正则 对应的是加入2范数，使得对权重进行衰减，从而达到惩罚损失函数的目的，防止模型过拟合。保留显著减小损失函数方向上的权重，而对于那些对函数值影响不大的权重使其衰减接近于0。相当于加入一个gaussian prior。
L1正则 对应得失加入1范数，同样可以防止过拟合。它会产生更稀疏的解，即会使得部分权重变为0，达到特征选择的效果。相当于加入了一个laplacean prior。
2.偏倚和方差
偏倚指的是模型预测值与真实值的差异，是由使用的学习算法的某些错误或过于简单的假设造成的误差，它会导致模型欠拟合，很难有高的预测准确率。
方差指的是不同训练数据的模型的预测值之间的差异，它是由于使用的算法模型过于复杂，导致对训练数据的变化十分敏感，这样导致模型过拟合，使得模型带入了过多的噪音。
任何算法的学习误差都可以分解成偏倚、方差和噪音导致的固定误差。模型越复杂，会降低偏倚增加方差。为了降低整体的误差，我们需要对偏倚方差均衡，使得模型中不会有高方差或高偏倚。
4.分类问题有哪些评价指标，每一种的适用场景
召回率：真的正样本里，经过预测，有多少被预测为正样本。
准确率：预测的正样本中，有到少是真的正样本，即预测对了多少比例
TPR（True Positive Rate，又称 灵敏度：sensitivity）：TPR=TP/(TP+FN)，即正例被正确预测为正例的数目/实际正例的数目
FPR（False Positive Rate）：FPR=FP/(FP+TN)，即负例被错误预测为正例的数目实际负例的数目
-
precision，查准率，预测的正例中有多少是真的正例
-
recall, 召回率，查全率，真的正例里有多少被预测为正例
-
F-score，即precision 和recall的调和平均值，更接近二者中较小的那个，F = （2PR）/(P+R)
-
Accuracy,分类器对整体样本的分类能力，即正例分为正例，负例分为负例
-
ROC，Receiver Operating Characteristic,主要用于画ROC曲线（横坐标为FPR，纵坐标为TPR）
FPR理解为负例错分的概率，越低越好；
TPR理解为正例正确分类的概率，越高越好；
ROC曲线中，关于四个关键点的解释：
(FPR=0,TPR=0)：将全部正例分为负例，全部负例分为负例
(FPR=0,TPR=1)：全部划分正确，即正例全部分为正例，负例全部分为负例
(FPR=1,TPR=1)：将全部负例分为正例，全部正例分为正例
所以，ROC曲线越靠近左上角，说明分类器的效果越好。 -
AUC， Area Under ROC Curve
在实际的数据集中经常出现类不平衡现象，即负样本比正样本多很多或者少很多，而且测试数据中的正负样本的分布也可能随着时间变化这样ROC曲线会出现较大的波动。AUC的值就是处于ROC curve下方的那部分面积的大小。通常，AUC的值介于0.5到1.0之间，较大的AUC代表了较好的performance。如果模型是完美的，那么它的AUG = 1，如果模型是个简单的随机猜测模型，那么它的AUG = 0.5，如果一个模型好于另一个，则它的曲线下方面积相对较大。
另外，P和R的矛盾性举例：
二分类任务中，只预测了一个A且正确，其他预测都为B，这样准确率很高，但召回率很低；
把所有都预测为A，那么A的召回率极高，但准确率极低。故而引入F-score,作为二者的调和平均值，权重可以修改。
4. SVM、LR、决策树的对比？
SVM既可以用于分类问题，也可以用于回归问题，并且可以通过核函数快速的计算；
LR实现简单，训练速度非常快，但是模型较为简单；
决策树容易过拟合，需要进行剪枝等。
从优化函数上看，soft margin的SVM用的是hinge loss,而带L2正则化的LR对应的是cross entropy loss，另外adaboost对应的是exponential loss。所以LR对远点敏感，但是SVM对outlier不太敏感，因为只关心support vector，SVM可以将特征映射到无穷维空间，但是LR不可以，一般小数据中SVM比LR更优一点，但是LR可以预测概率，而SVM不可以，SVM依赖于数据测度，需要先做归一化，LR一般不需要，对于大量的数据LR使用更加广泛，LR向多分类的扩展更加直接，对于类别不平衡SVM一般用权重解决，即目标函数中对正负样本代价函数不同，LR可以用一般的方法，也可以直接对最后结果调整(通过阈值)，一般小数据下样本维度比较高的时候SVM效果要更优一些。