第 66 / 79 页
非代码面试题
显示 20 / 1576 道匹配题目
答题状态：未尝试未正确已正确
ID题目领域难度题型进度权限
4162只有先验漂移时哪类模型更好调 17某个分类器是在上季度训练的，现在只有类别出现率变了，而“给定类别时的特征分布形状”看起来仍然稳定。在这种情况下，生成式还是判别式更容易快速调整？机器学习中等essay未尝试面试订阅4163大样本只求预测时先选哪类模型 18如果你有数百万带标签样本，而且只关心部署标签上的预测精度，并不需要生成 x，那么通常更值得先试哪一侧？机器学习中等essay未尝试面试订阅4164测试时常缺特征时哪类模型占优 19线上系统在测试时经常会缺失一个传感器特征，但你的模型族可以很干净地分解联合特征似然。在这种情况下，哪一类模型会获得更现实的优势？机器学习中等essay未尝试面试订阅4165需要按类别生成样本时先选哪类模型 20研究团队不仅想要分类标签，还想在每个类别条件下生成合成特征样本来做压力测试。哪一类模型是更自然的起点？机器学习中等essay未尝试面试订阅4166中心化与缩放后的系数改写 1一个线性模型是 y = 1.5 + 2 x。现在把特征替换为工程化特征 z=(x-10)/2。问把模型改写成 y = a + b z 时，新的截距和斜率分别是多少？机器学习简单数值题未尝试面试订阅4167中心化与缩放后的系数改写 2一个线性模型是 y = -0.5 + 1.2 x。现在把特征替换为工程化特征 z=(x-5)/0.5。问把模型改写成 y = a + b z 时，新的截距和斜率分别是多少？机器学习简单数值题未尝试面试订阅4171交互特征下的边际效应 1一个模型使用了交互项：y = β0 + 0.8 x1 + β2 x2 + 0.5 x1 x2。当 x2 = 2 时，x1 的边际效应是多少？机器学习中等数值题未尝试面试订阅4172交互特征下的边际效应 2一个模型使用了交互项：y = β0 + -0.2 x1 + β2 x2 + 1.2 x1 x2。当 x2 = -1 时，x1 的边际效应是多少？机器学习中等数值题未尝试面试订阅4176周期时间特征编码 1把一天中的小时 h 编码成 (sin(2πh/24), cos(2πh/24))。当 h=6 时，编码结果是什么？机器学习简单数值题未尝试面试订阅4177独热编码与交互项列数计算一个类别变量有 5 个水平。你对它做去掉基准组的 one-hot 编码，保留一个原始数值特征 x，并再创建 x 与所有保留哑变量的交互项。这个特征块最终一共产生多少列？机器学习简单数值题未尝试面试订阅4178裁剪再标准化 3一笔原始日收益 4.8% 先被 winsorize 到区间 [-3%, 3%]，再用滚动均值 0.5% 和滚动标准差 1.0% 做标准化。最后得到的 z-score 特征是多少？机器学习简单数值题未尝试面试订阅4179对成交量做 log1p 变换 4某个流动性特征使用 log1p(volume)。如果今天成交量是 999999 股，应该存下什么变换后的值？机器学习简单数值题未尝试面试订阅4180无泄漏滚动均值特征 5在今天开盘时，你要用最近 4 个已经完成的日收益 [1.0%, -2.0%, 0.5%, 1.5%] 构造一个无泄漏的滚动均值特征。应使用什么数值？机器学习简单数值题未尝试面试订阅4181带前瞻窗口的滚动均值候选人构造了一个“5日均值”，在第 t 天使用从 t-2 到 t+2 的价格。若模型打算在第 t 天收盘时交易，这样做是否有效？机器学习中等derivation未尝试面试订阅4182先标准化再切分训练测试一个流程在划分训练集和测试集之前，先用全量数据的均值和标准差对每个特征做标准化。这样干净吗？机器学习中等derivation未尝试面试订阅4183没有 OOF 逻辑的目标编码一个类别特征先用全样本里该类别的平均标签做 target encoding，然后把这些编码拿去做交叉验证。这样安全吗？机器学习中等derivation未尝试面试订阅4184带 as-of 时间戳的滞后特征一个特征使用昨天的收盘价，但前提是数据商时间戳显示该数值在今天决策时点之前已经可用。这个构造在概念上是否可接受？机器学习中等derivation未尝试面试订阅4185先筛选股票池再做横截面排序一个横截面信号只在“通过了一个依赖未来信息的流动性筛选”的股票子集里做排序。对于回测来说，这算是有效的工程化特征吗？机器学习中等derivation未尝试面试订阅4186为什么中心化有助于交互特征为什么实务中常常会在向线性模型加入交互项之前，先对特征做中心化？机器学习中等essay未尝试面试订阅4187为什么更多特征反而可能伤害线性模型为什么加入大量“看起来合理”的工程化特征，反而可能让线性模型变差？机器学习中等essay未尝试面试订阅