2021年七月中旬，百度算法面試5道題分享！

問題1：過擬合 怎么解決

過擬合：是指訓練誤差和測試誤差之間的差距太大。換句換說，就是模型復雜度高于實際問題，模型在訓練集上表現(xiàn)很好，但在測試集上卻表現(xiàn)很差。
欠擬合：模型不能在訓練集上獲得足夠低的誤差。換句換說，就是模型復雜度低，模型在訓練集上就表現(xiàn)很差，沒法學習到數據背后的規(guī)律。

如何解決欠擬合？
欠擬合基本上都會發(fā)生在訓練剛開始的時候，經過不斷訓練之后欠擬合應該不怎么考慮了。但是如果真的還是存在的話，可以通過增加網絡復雜度或者在模型中增加特征，這些都是很好解決欠擬合的方法。

如何防止過擬合？
獲取和使用更多的數據（數據集增強）、降低模型復雜度、L1\\L2\\Dropout正則化、Early stopping（提前終止）

問題2：樸素貝葉斯 為啥樸素
之所以被稱為“樸素”， 是因為它假定所有的特征在數據集中的作用是同樣重要和獨立的，正如我們所知，這個假設在現(xiàn)實世界中是很不真實的，因此，說是很“樸素的”。


問題3：python裝飾器 
裝飾器本質上是一個Python函數，它可以讓其他函數在不需要做任何代碼變動的前提下增加額外功能，裝飾器的返回值也是一個函數對象。它經常用于有切面需求的場景，比如：插入日志、性能測試、事務處理、緩存、權限校驗等場景。

如：使用python裝飾器獲取某個函數的運行時間


問題4：python生成器
介紹python生成器需要先介紹可迭代對象和迭代器。

可迭代對象（Iterable Object），簡單的來理解就是可以使用 for 來循環(huán)遍歷的對象。比如常見的 list、set和dict。 

可迭代對象具有__iter__ 方法，用于返回一個迭代器，或者定義了getitem方法，可以按 index 索引的對象（并且能夠在沒有值時拋出一個 IndexError 異常），因此，可迭代對象就是能夠通過它得到一個迭代器的對象。所以，可迭代對象都可以通過調用內建的 iter() 方法返回一個迭代器。

生成器其實是一種特殊的迭代器，不過這種迭代器更加優(yōu)雅。它不需要再像上面的類一樣寫__iter__()和__next__()方法了，只需要一個yiled關鍵字。

 問題5：L1正則化與L2正則化的區(qū)別
L1范數（L1 norm）是指向量中各個元素絕對值之和，也有個美稱叫“稀疏規(guī)則算子”（Lasso regularization）。

比如 向量A=[1，-1，3]， 那么A的L1范數為 |1|+|-1|+|3|.

簡單總結一下就是：
L1范數: 為x向量各個元素絕對值之和。
L2范數: 為x向量各個元素平方和的1/2次方，L2范數又稱Euclidean范數或者Frobenius范數
Lp范數: 為x向量各個元素絕對值p次方和的1/p次方.

在支持向量機學習過程中，L1范數實際是一種對于成本函數求解最優(yōu)的過程，因此，L1范數正則化通過向成本函數中添加L1范數，使得學習得到的結果滿足稀疏化，從而方便人類提取特征，即L1范數可以使權值稀疏，方便特征提取。
L2范數可以防止過擬合，提升模型的泛化能力。

L1和L2的差別，為什么一個讓絕對值最小，一個讓平方最小，會有那么大的差別呢？看導數一個是1一個是w便知, 在靠進零附近, L1以勻速下降到零, 而L2則完全停下來了. 這說明L1是將不重要的特征(或者說, 重要性不在一個數量級上)盡快剔除, L2則是把特征貢獻盡量壓縮最小但不至于為零. 兩者一起作用, 就是把重要性在一個數量級(重要性最高的)的那些特征一起平等共事(簡言之, 不養(yǎng)閑人也不要超人)。

更多請看七月在線題庫里的這題：https://www.julyedu.com/questions/interview-detail?kp_id=23&cate=%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0&quesId=995