“老司机”划重点!搞定这120个真实面试问题,杀进数据科学圈

更新日期:2019-03-13
大数据文摘


5.你会如何向一组管理人员解释为什么数据很重要?


数据分析

1.给定一个数据集,分析这个数据集并告诉我你可以从中了解到什。


2.什么是R2?可能比R2更好的指标有哪些,为什么?

答:拟合良好,是由该回归/总方差解释的那部分方差;你添加的预测变量越多,R^2越大;因而使用因自由度调整的R ^ 2;或着训练误差指标。


3.什么是维度灾难?

  • 高维度使得聚类变得困难,因为拥有大量维度意味着彼此相差很大。例如,为了覆盖一小部分数据,随着变量数量的增加,我们需要处理每个范围广泛的变量;

  • 所有样本都靠近样本的边缘。这非常糟糕,因为在训练样本的边缘附近做出预测要更加困难;

  • 随着维度 p的增加,采样密度呈指数下降,因此在没有更多的数据量的情况下,该数据会变得更加稀疏;我们应该进行PCA分析以降低维度。


  • 4.更多的数据就总是更好么?

  • 从统计来说,它取决于你的数据的质量,如果您的数据有偏差,获取再多数据也毫无用处;它取决于你的模型。如果你的模型能够承受高偏差,获取更多数据不会太过明显地提高你的测试结果。你需要添加更多特征,或者做别的处理。从实战来说,也需要在拥有更多数据和额外存储,计算能力以及所需内存之间进行权衡。因此,始终要考虑拥有更多数据的成本。


  • 5.分析数据之前绘制图表有什么好处?

  • 数据集会有错误。你不会找到全部的错误,但你或许能够找到其中的一些。比如那个212岁的男人以及那个9英尺高的女;变量会有偏度,异常值等。算术平均值可能用不了,这也意味着标准差用不了;变量可以是多峰的!如果变量是多峰的,那么任何基于其的均值或着中位数的都是可疑的。

  • 模型预测(19个问题)


    1.给定一个数据集,分析这个数据集并给出一个可以预测这个响应变量的模型。

  • 由拟合简单的模型(多元回归,逻辑回归)开始,相应地选取一些特征,然后尝试一些复杂的模型。要始终将数据集拆分为训练集,验证集和测试集并使用交叉验证来观察模型的表现;确定问题是分类问题还是回归问题;倾向于选用运行快速可以轻松解释的简单模型;提及交叉验证作为评估模型的一种方法;绘制图表且将数据可视化。


  • 2.如果测试数据的分布与训练数据的分布明显不同,可能会出现什么问题?

  • 训练时具有高精度的模型在测试时可能具有较低的精度。在没有进一步了解的情况下,很难知道哪个数据集代表了总体的数据,因而很难测量算法的泛化程度;

  • 这应该可以通过重复划分训练集和测试集来缓解(如交叉验证);

  • 当数据分布发生变化时,称为数据集漂移。 如果训练数据和测试数据的分布不同,分类器可能会过度拟合训练数据。


  • 3.有什么方法可以让我的模型对异常值的鲁棒性更高?

  • 我们可以使用L1或L2等正则化方法来减少方差(增加偏倚)。

  • 算法的改变:1.使用基于树的方法来代替回归方法,因为它们更能忍受异常值。2.对于统计检验,使用非参数检验来代替参数检验。3.使用稳健的误差指标,如MAE或Huber Loss,来代替MSE。

  • 数据的改变:1.对数据进行winsorize处理2.转换数据(如进行对数处理)3.只有在你确定它们是不值得预测的异常值时才删除它们


  • 4.与最小化误差值的模型相比,在最小化误差平方的模型中,你认为有哪些差异?每个误差指标分别在哪种情况下合适?

  • MSE对异常值更加严格。在这个意义上MAE鲁棒性更好,但也更难以拟合模型,因为它无法在数值上进行优化。因此,当模型的可变性较小且在计算上容易拟合时,我们应该使用MAE,否则应该使用MSE。

  • MSE:更容易计算梯度

  • MAE:计算梯度需要线性编程MAE对异常值更加稳健。

  • 如果较大错误造成的后果很严重,使用MSEMSE相当于最大化高斯随机变量的可能性。


  • 5.你会什么误差指标来评估二分类器的好坏?如果类别不平衡怎么办?如果超过2组怎么办?

  • 准确性:你正确预测的情况的比例。优点:直观,易于解释,缺点:当类标签不平衡且数据信号较弱时效果不。

  • AUROC:在x轴上绘制fpr,在y轴上绘制tpr以获得不同的阈值。给定随机正例和随机负例,AUC是你能可以识别类别的概率。优点:在测试分类能力时效果很好,缺点:不能将预测解释为概率(因为AUC由排名决定),因此无法解释模型的不确定性。

  • logloss/deviance:优点:基于概率的误差度量,缺点:对假阳性,假阴性非常敏感。当有超过2组时,我们可以使用k个二分类并将它们添加到logloss中。 像AUC这样的一些指标仅适用于二分类情况。

  • 概率


    1.阿米巴虫波波生0个、1个或2个小阿米巴虫的概率分别是25%、25%以及50%。这些小阿米巴虫们的繁殖能力也都一样。请问波波的后代灭绝的概率是多少?

  • p=1/4+1/4p+1/2p^2 => p=1/2


  • 2.任何15分钟时间段内,你看到至少一颗流星的概率是20%。请问在一小时内你看到至少一颗流星的概率是多少?

  • l  1-(0.8)^4。 或者我们用泊松过程也可以解。


  • 3.仅使用一枚色子,你如何生成一个1-7内随机数?

  • 丢三次色子:每一次丢的都是结果的第n位

  • 每次丢色子时,如果值为1-3,则记录0,否则记录1。结果会位于0(000)与7(111)之间,均匀分布(因为这三次抛掷互相独立)。如果得到0则重复抛掷:该过程会终止于均匀分布的值。


  • 4.有一个数据集包含来自两个正态分布的数值。两个分布的标准差相同。来自两个分布的数据点个数相同。请问如果想要该数据集呈双峰分布,两个分布的均值应当至少差多少?

  • 多于两个标准差


  • 5.提供已知正态分布的样本值,请问你能如何模拟一个均匀分布的样本值?

  • 将值代入同一随机变量的累计分布函数

  • 6.一对夫妻告诉你他们有两个小孩,其中至少有一个是女孩。请问他们拥有两个女儿的概率是多少?

  • 1/3

  • 产品指标


    1.对于一个广告驱动的消费者产品(比如Buzzfeed,YouTube,Google搜索等),什么可以称为好的成功衡量指标?服务驱动的消费者产品(比如优步,Flickr,Venmo等)呢?

  • 广告驱动:页面浏览量与每日活跃量,点击率,每次点击成本

  • 服务驱动:购买量,转化率

  • 2.对于一个效率工具(比如印象笔记,Asana,Google文档等),什么可以称为好的成功衡量指标?线上课程平台(比如edX,Coursera,Udacity等)呢?

  • 效率工具:付费订阅用户数

  • 线上课程平台:付费订阅用户数,课程完成率

  • 3.对于一个电商产品(比如Etsy,Groupon,Birchbox等),什么可以称为好的成功衡量指标?订阅产品(比如Netflix,Birchbox,Hulu等)呢?付费订阅(比如OKCupid,领英,Spotify等)呢?

  • 电商产品:购买量,转化率,时/日/周/月/季/年销售额,售出产品成本,存货量,网站流量,净回头客量,客服电话量,平均解决问题时长

  • 订阅产品:流失量,(不知道接下来这几个都是啥)

  • 付费订阅:(无解答)

  • 4.对于高度依赖于用户投入与交互的消费者产品(比如Snapchat,Pinterest,Facebook等),什么可以称为好的成功衡量指标?通讯产品(比如GroupMe,Hangouts,Snapchat等)呢?

  • 高度依赖于用户投入与交互的消费者产品:user AU ratios,分类型邮件汇总,分类型推送通知汇总,复活率。

  • 通讯产品:(无解答)

  • 5.对于拥有app内购服务的产品(比如Zynga,愤怒的小鸟以及许多其他游戏),什么可以称为好的成功衡量指标?

  • 用户/付费用户平均营收

  • 编程(14题)


    1.编写一个函数,计算2n个用户所有可能分配向量,其中n个用户为控制组,n个用户为治疗组。

  • 递归编程

  • 2.提供一个包含推特消息的列表,求十个最常用的的标签。

  • 在字典中存储所有标签然后求前十值

  • 3.在给定时间内写出算法求解背包问题的最佳近似解。

  • 贪婪算法

  • 4.在给定时间内写出算法求解旅行商问题的最佳近似解。

  • 贪婪算法


  • 5.你将得到一个大小为n的数据集,但你无法提前知道n具体有多大。写出一个占据O(k)的算法来随机抽取k个元素。

  • 水塘抽样

  • 统计推论(15题)


    1.AB测试中你如何确认客户流分组完全随机?

  • 画出多个A组与B组变量的分布,确保他们都拥有一致的形状。再保险一点,我们可以做一个排列检验来看分布是否相同。

  • MANOVA来比较不同的均值。

  • 2.AA测试(两组完全一致)的好处有什么?

  • 检查抽样算法随机性

  • 3.在AB测试中,允许一组用户知道另一组是什么样子有什么危害?

  • 用户可能无法与未知其他选项时行为一致。实际上你是在添加一个关于是否允许用户窥探其它选项的变量——该变量并不随机。

  • 4.如果某个博客报道了你的实验组会有什么影响呢?

  • 与前问相同。这一问题可能会在更大范围内发生。

  • 5.你如何设计一个允许用户自行选择是否加入的AB测试。

    最后,祝大家求职顺利~

    github地址:

    https://github.com/kojino/120-Data-Science-Interview-Questions

    实习/全职编辑记者招聘ing

    加入我们,亲身体验一家专业科技媒体采写的每个细节,在最有前景的行业,和一群遍布全球最的人一起成长。坐标北京·清华东门,在大数据文摘主页对话页回复“招聘”了解详情。简历请直接发送至zz@bigdatadigest.cn


    志愿者介绍

    后台回复志愿者”加入我们


    点「好看」的人都变好看了哦