机器学习笔试题精选（六）有哪些长尾问题？

本文共计4390个文字，预计阅读时间需要18分钟。

机器学习是一门兼具理论性和实践性的强大技术科学。在从事机器学习相关工作的岗位时，我们经常会遇到各种机器学习问题和知识点。为了帮助大家对这些知识点进行梳理和理解，以下是一些简要的介绍和解释。

机器学习是一门理论性和实战性都比较强的技术学科。在应聘机器学习相关工作岗位时，我们常常会遇到各种各样的机器学习问题和知识点。为了帮助大家对这些知识点进行梳理和理解，以便能够更好地应对机器学习笔试包括面试。红色石头准备在公众号连载一些机器学习笔试题系列文章，希望能够对大家有所帮助！

今天的笔试题主要涉及的知识点包括：降维、PCA、特征选择、随机森林、GBDT、集成学习等。

Q1. 我们想要训练一个 ML 模型，样本数量有 100 万个，特征维度是 5000，面对如此大数据，如何有效地训练模型（多选）？

A. 对训练集随机采样，在随机采样的数据上建立模型

B. 尝试使用在线机器学习算法

C. 使用 PCA 算法减少特征维度

答案：ABC

解析：本题考查的是如何解决样本数量和特征维度过大的问题。

在有限的内存下，如何处理高特征纬度的训练样本是一项非常艰巨的任务。下面这些方法可以用来解决这一问题。

• 我们可以随机抽样数据集，包括样本数量和特征数量。这意味着，我们可以创建一个更小的数据集，比如说，有 1000 个特征和 300000 个样本进行训练。
• 使用在线学习（online learning）算法
• 使用主成分分析算法（PCA）挑选有效的特征，去除冗余特征。

关于在线学习与离线学习，离线学习是我们最为常见的一种机器学习算法模式，使用全部数据参与训练。