-----JHJ_BABY 平时学习积累、归纳、整理-------------------------
1、python和R在做数据分析时各有自己得擅长得领域，如python做时域分析得难度就远远比R大，因为R有非常成熟得Package!
2、数据处理：如何处理缺失数据？各种处理方法得的利弊？
3、数据处理：如何将类别型(又称做描述型)变量转为连续变量？如何处理有序变量？如何处理无序变量？
4、数据处理：如何进行特征选择？如何进行数据压缩？
5、模型解释：什么是欠拟合？什么是过拟合？如何处理这两种情况？
6、模型解释：什么是偏差与方差分解？与欠拟合和过拟合有什么联系？
7、评估模型一般有哪些手段？
1）分类模型评估的方法有哪些？
2）回归问题评估方法有哪些？
3）数据不均衡的评估方法有哪些？
8、深度学习是否比其他学习模型都好？为什么？
9、在只有少量的有标签数据的情况下，如何构建一个反保险欺诈系统？
10、在数据分布不均匀的情况下，是采用过采样还是欠采样？如何调整代价函数和阈值？
11、SVM，什么是最大间隔分类器？什么是kernel，如何选择kernel?
12、为什么K-means不适合异常值检测？K-means和GMM是什么关系？是否可以用FMM来直接拟合异常值？
13、如何可以得到无监督学习中的分类规则？
14、L1和L2正则化两者有什么不同，什么时候采用L1，什么时候采用L2？为什么L1可以得到稀疏解？它们与嵌入式特征选择有什么联系？
15、根据岗位准备一份项目策划书
16、精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么？
看懂周志华<<机器学习>>前十章，并熟练的使用Sklearn中基础API进行建模就可以了，勿矫枉过正，如果你的岗位不是理论型科学家岗位，不要与
数学推导死磕。
-----------------------------------------------------------------------------------------
Answer:
2、
第一类：
1>分析缺失值所在比例，如果某个属性的缺失值太多，可考虑去除该属性。
2>可以用均值、众数、中位数、随机值填充代替。
3>用0填充代替 。
第一类措施，效果一般，相当于人为的添加了噪声
第二类：
用其他变量做预测模型（如logistic）来算出缺失变量。
第二类效果稍微比第一类好点。但是存在缺陷，如果其他变量和该变量毫无关联，那么预测值将毫无意义。如果预测的缺失值很准确，则说明其他变量和该变量强相关，这个变量没有存在的意义。
第三类：
将缺省值当作一个类型，把变量映射到高维空间。比如，一个变量为男、女、缺失值的取值范围，映射到高维后就成为是否为难，是否为女，是否为缺失值，由原来的一维映射到三维。这样做的好处是，可以保存原始信息，不用考虑缺失值的问题。缺点在于这种情况在基础变量多，数据量大的时候容易出现特征爆炸，计算量剧增，如果样本不够大，特征信息稀疏、计算效果差。
------------------------------------------------------------------
3、
类别型转连续型的变量，一般理解就是用离散数据拟合一个回归方程，将相当于数电信号转模电信号原理差不多。但数据处理方面，我们接触的大多数是连续型转类别型，比如将连续的年龄分布，转成类别型：小学生，初中生，高中生，大学生，其他。
所谓有序变量，如班长<排长<连长，只可排序，加减，不可乘除。所谓无序变量，如赤、橙、黄、绿、青、蓝、紫。这两者在处理的时候最好都做下one-hot encoding(独热编码又称哑变量)，也有将有序变量直接当作连续变量来用，但最好是做下one-hot encoding。
-------------------------------------------------------------------
4、
过滤式（filter）包裹式（wrapper）嵌入式（embedding）
过滤式（filter）:先对特征集选择，然后进行训练。其特征重要性由“相关统计量”的一个算法来计算得到，一般用的少。
包裹式（wrapper）：直接将学习模型性能做为特征子集的评价准则，针对给定的学习模型进行优化。wrapper比filter要好。特征选择过程需要多次训练学习器，因此计算开销比filter大很多。
嵌入式（embedding）：将特征选择和模型训练过程融为一体。
数据压缩：总的思想就是将一个原始信号数据，采样抽取其特征信号，保存下这些特征信号后的大小肯定比原始信号数据小，而这些特征信号在后来的解压过程能够大部分的还原原始信号。
------------------------------------------------
5、
过拟合:在训练数据上表现良好，在测试数据上表现差。
常见处理方式：
交叉验证、增加样本、减少特征量、降低正则化、去除噪声特征量等。
欠拟合:在训练数据和未知数据上表现都很差。
常见处理方式：
增加特征量、添加组合特征、增强正则化等。
6、
偏差度量了学习算法的期望预测与真实结果的偏离程度，即i刻画了学习算法本身的拟合能力。
方差度量了同样大小的训练集的变动所导致的学习性能的变化，即刻画了数据扰动所造成的影响。
噪声，则表达了在当前上任何学习算法所能达到的期望泛化误差的下界，刻画的是学习问题本身的难度。
给定学习任务，为取得好的泛化性能，则需要使偏差较小，即充分拟合数据，并使得方差较小，即使得数据扰动产生较小的影响。
算法学习初期，偏差主导了泛化错误率，训练拟合数据不充分（欠拟合）；在学习后期，数据拟合充分后，算法拟合能力很强，容易拟合噪声数据（过拟合），这时方差主导了泛化错误率。
7、
1）分类模型评估方法：
混淆矩阵、准确率（Accuracy）、对数损失函数（log-loss）、AUC、ROC
2)回归问题评估方法有:
MAE（Mean Absolute Error）平均绝对差值
MSE(Mean Square Error)均方误差
RMSE(Root Mean Square error)均方根误差
