2017校招數(shù)據(jù)分析崗位筆試/面試知識點

2017校招正在火熱的進行，后面會不斷更新涉及到的相關(guān)知識點。盡管聽說今年幾個大互聯(lián)網(wǎng)公司招的人超少，但好像哪一年都說是就業(yè)困難，能夠進去當然最好，不能進去是不是應該也抱著好的期望去找自己滿意的呢?最近筆試了很多家公司校招的數(shù)據(jù)分析和數(shù)據(jù)挖掘崗位，今天(9.18r)晚上做完唯品會的筆試題，才忽然意識過來，不管題目簡單也好、難也好，都要去切切實實的去掌握。畢竟不能永遠眼高手低，否則最后吃虧的一定是自己。

知識點1：貝葉斯公式

貝葉斯公式：P(B|A)=P(A|B)*P(B)/P(A)

其中P(A)可以展開為

P(A)=P(A|B1)P(B1)+P(A|B2)P(B2)+…+P(A|Bn)*P(Bn)

(這在很多問答題或者選擇題中都有用到)
知識點2：關(guān)聯(lián)規(guī)則分析

主要考的是支持度和置信度。

知識點3：聚類

聚類之間類的度量是分距離和相似系數(shù)來度量的，距離用來度量樣品之間的相似性(K-means聚類，系統(tǒng)聚類中的Q型聚類)，相似系數(shù)用來度量變量之間的相似性(系統(tǒng)聚類中的R型聚類)。

最常用的是K-means聚類，適用于大樣本，但需要事先指定分為K個類。

處理步驟：

1)、從n個數(shù)據(jù)對象中任意選出k個對象作為初始的聚類中心

2)、計算剩余的各個對象到聚類中心的距離，將它劃分給最近的簇

3)、重新計算每一簇的平均值(中心對象)

4)、循環(huán)2-3直到每個聚類不再發(fā)生變化為止。

系統(tǒng)聚類適用于小樣本。

知識點4：分類

有監(jiān)督就是給的樣本都有標簽，分類的訓練樣本必須有標簽，所以分類算法都是有監(jiān)督算法。

監(jiān)督機器學習問題無非就是“minimizeyour error while regularizing your parameters”，也就是在規(guī)則化參數(shù)的同時最小化誤差。最小化誤差是為了讓我們的模型擬合我們的訓練數(shù)據(jù)，而規(guī)則化參數(shù)是防止我們的模型過分擬合我們的訓練數(shù)據(jù)，提高泛化能力。

1.樸素貝葉斯

1)基礎(chǔ)思想：

對于給出的待分類項，求解在此項出現(xiàn)的條件下各個類別出現(xiàn)的概率，哪個最大，就認為此分類項屬于哪個類別。

2)優(yōu)點：

可以決策樹、神經(jīng)網(wǎng)絡分類算法相媲美，能運用于大型數(shù)據(jù)庫中。

方法簡單，分類準確率高，速度快，所需估計的參數(shù)少，對于缺失數(shù)據(jù)不敏感。

3)缺點：

假設(shè)一個屬性對定類的影響獨立于其他的屬性值，這往往并不成立。(喜歡吃番茄、雞蛋，卻不喜歡吃番茄炒蛋)。

需要知道先驗概率。

2.決策樹

1)基礎(chǔ)思想：

決策樹是一種簡單但廣泛使用的分類器，它通過訓練數(shù)據(jù)構(gòu)建決策樹，對未知的數(shù)據(jù)進行分類。決策樹的每個內(nèi)部節(jié)點表示在一個屬性上的測試，每個分枝代表該測試的一個輸出，而每個葉結(jié)點存放著一個類標號。

在決策樹算法中，ID3基于信息增益作為屬性選擇的度量，C4.5基于信息增益比作為屬性選擇的度量，CART基于基尼指數(shù)作為屬性選擇的度量。

2)優(yōu)點 ：

不需要任何領(lǐng)域知識或參數(shù)假設(shè)。

適合高維數(shù)據(jù)。

簡單易于理解。

短時間內(nèi)處理大量數(shù)據(jù)，得到可行且效果較好的結(jié)果。

3)缺點：

對于各類別樣本數(shù)量不一致數(shù)據(jù)，信息增益偏向于那些具有更多數(shù)值的特征。

易于過擬合。

忽略屬性之間的相關(guān)性。

3.支持向量機

1)基礎(chǔ)思想：

支持向量機把分類問題轉(zhuǎn)化為尋找分類平面的問題，并通過最大化分類邊界點距離分類平面的距離來實現(xiàn)分類。

2)優(yōu)點 ：

可以解決小樣本下機器學習的問題。

提高泛化性能。

可以解決文本分類、文字識別、圖像分類等方面仍受歡迎。

避免神經(jīng)網(wǎng)絡結(jié)構(gòu)選擇和局部極小的問題。

3)缺點：

缺失數(shù)據(jù)敏感。

內(nèi)存消耗大，難以解釋。

4.K近鄰

1基礎(chǔ)思想：

通過計算每個訓練樣例到待分類樣品的距離，取和待分類樣品距離最近的K個訓練樣例，K個樣品中哪個類別的訓練樣例占多數(shù)，則待分類樣品就屬于哪個類別。

2)優(yōu)點 ：

適用于樣本容量比較大的分類問題

3)缺點：

計算量太大

對于樣本量較小的分類問題，會產(chǎn)生誤分。

5.邏輯回歸(LR)

1)基礎(chǔ)思想：

回歸模型中，y是一個定型變量，比如y=0或1，logistic方法主要應用于研究某些事件發(fā)生的概率。

2)優(yōu)點 ：

速度快，適合二分類問題。

簡單易于理解，直接看到各個特征的權(quán)重。

能容易地更新模型吸收新的數(shù)據(jù)。

3)缺點：

對數(shù)據(jù)和場景的適應能力有局限，不如決策樹算法適應性那么強。
知識點5：分類的評判指標

準確率和召回率廣泛用于信息檢索和統(tǒng)計分類領(lǐng)域

1)準確率(precision rate)：提取出的正確信息條數(shù)/提取出的信息條數(shù)

2)召回率(recall rate)：提取出的正確信息條數(shù)/樣本中的信息條數(shù)

ROC和AUC是評價分類器的指標

3)ROC曲線：

ROC關(guān)注兩個指標

True Positive Rate ( TPR，真正率 ) = TP / [ TP + FN] ，TPR代表預測為正

實際也為正占總正實例的比例

False Positive Rate( FPR，假正率 ) = FP / [ FP + TN] ，F(xiàn)PR代表預測為正

但實際為負占總負實例的比例

在ROC 空間中，每個點的橫坐標是FPR，縱坐標是TPR

4)AUC：AUC(Area Under Curve)

被定義為ROC曲線下的面積，顯然這個面積的數(shù)值不會大于1。又由于ROC曲線一般都處于y=x這條直線的上方，所以AUC的取值范圍在0.5和1之間。使用AUC值作為評價標準是因為很多時候ROC曲線并不能清晰的說明哪個分類器的效果更好，而AUC作為數(shù)值可以直觀的評價分類器的好壞，值越大越好。

5)如何避免過擬合?

過擬合表現(xiàn)在訓練數(shù)據(jù)上的誤差非常小，而在測試數(shù)據(jù)上誤差反而增大。其原因一般是模型過于復雜，過分得去擬合數(shù)據(jù)的噪聲和outliers。

常見的解決辦法是正則化是：增大數(shù)據(jù)集，正則化

正則化方法是指在進行目標函數(shù)或代價函數(shù)優(yōu)化時，在目標函數(shù)或代價函數(shù)后面加上一個正則項，一般有L1正則與L2正則等。規(guī)則化項的引入，在訓練(最小化cost)的過程中，當某一維的特征所對應的權(quán)重過大時，而此時模型的預測和真實數(shù)據(jù)之間距離很小，通過規(guī)則化項就可以使整體的cost取較大的值，從而在訓練的過程中避免了去選擇那些某一維(或幾維)特征的權(quán)重過大的情況，即過分依賴某一維(或幾維)的特征。

L1正則與L2正則區(qū)別：

L1：計算絕對值之和，用以產(chǎn)生稀疏性(使參數(shù)矩陣中大部分元素變?yōu)?)，因為它是L0范式的一個最優(yōu)凸近似，容易優(yōu)化求解;

L2：計算平方和再開根號，L2范數(shù)更多是防止過擬合，并且讓優(yōu)化求解變得穩(wěn)定很快速;

所以優(yōu)先使用L2 norm是比較好的選擇。
知識點6：二叉樹(前、中、后遍歷)

(這里的前中后是指的根節(jié)點的遍歷次序)

1)前序遍歷(DLR)，首先訪問根結(jié)點，然后遍歷左子樹，最后遍歷右子樹;

2)中序遍歷(LDR)，首先遍歷左子樹，然后訪問根結(jié)點，最后遍歷右子樹;

3)后序遍歷(LRD)，首先遍歷左子樹，然后訪問遍歷右子樹，最后訪問根結(jié)點。

知識點7：幾種基本排序算法

1)冒泡排序(Bubble Sort)

冒泡排序方法是最簡單的排序方法。這種方法的基本思想是，將待排序的元素看作是豎著排列的“氣泡”，較小的元素比較輕，從而要往上浮。

冒泡排序是穩(wěn)定的。算法時間復雜度是O(n^2)。

2)插入排序(Insertion Sort)

插入排序的基本思想是，經(jīng)過i-1遍處理后，L[1..i-1]己排好序。第i遍處理僅將L[i]插入L[1..i-1]的適當位置，使得L[1..i]又是排好序的序列。

直接插入排序是穩(wěn)定的。算法時間復雜度是O(n^2)。

3)堆排序

堆排序是一種樹形選擇排序，在排序過程中，將A[n]看成是完全二叉樹的順序存儲結(jié)構(gòu)，利用完全二叉樹中雙親結(jié)點和孩子結(jié)點之間的內(nèi)在關(guān)系來選擇最小的元素。

堆排序是不穩(wěn)定的。算法時間復雜度O(nlog n)。

4)快速排序

快速排序是對冒泡排序的一種本質(zhì)改進?？焖倥判蛲ㄟ^一趟掃描，就能確保某個數(shù)(以它為基準點吧)的左邊各數(shù)都比它小，右邊各數(shù)都比它大。

快速排序是不穩(wěn)定的。最理想情況算法時間復雜度O(nlog2n)，最壞O(n ^2)。
知識點8：SQL知識

1)左連接、右連接、inner連接，full連接

2)修改表：

alter table 教師 add 獎金 in

talter table 教師 drop 獎金

alter table 教師 rename 獎金 to 津貼

3)表權(quán)限的賦予：

4)怎樣清空表數(shù)據(jù)，但不刪除表結(jié)構(gòu)

delete from tablename或者delete * from table_nametruncate table tablename

5)外鍵能不能為空

外鍵可以為空，為空表示其值還沒有確定;

如果不為空，剛必須為主鍵相同。
知識點9：統(tǒng)計學基礎(chǔ)知識

1)四分位極差、左右偏分布、p值

2)方差分析：

用于兩個及兩個以上樣本均數(shù)差別的顯著性檢驗，基本思想是：通過分析研究不同來源的變異對總變異的貢獻大小，從而確定控制變量對研究結(jié)果影響力的大小。

3)主成分分析：

是一種統(tǒng)計方法。通過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，轉(zhuǎn)換后的這組變量叫主成分。

4)幸存者偏差：

意思是指，當取得資訊的渠道，僅來自于幸存者時(因為死人不會說話)，此資訊可能會存在與實際情況不同的偏差。