第4章 模拟面试清单与自检工具
本章聚焦面试前自检环节，帮你建立系统复习框架：梳理高频问题、设计自评标准、标记薄弱点并生成行动清单。先通过流程图掌握自检路径，再通过3个典型问答卡片精练回答逻辑。
薄弱点标记模板
按模块自评后，将薄弱点填入下表并标注颜色，红色为“基本概念不清”，黄色为“能说但深度不够”，绿色为“熟练掌握”。
| 模块 | 典型薄弱表现 | 颜色标记 | 推荐改进措施 |
|---|---|---|---|
| 数学基础 | 推导LR梯度时对似然函数求导卡壳 | 🟡 黄色 | 手推至少5个常用模型梯度 |
| 模型原理 | 说不出SVM核函数选择的直觉 | 🔴 红色 | 看李航《统计学习方法》对应章节 |
| 代码实现 | 手写KNN时对距离矩阵向量化不熟 | 🟡 黄色 | 刷LeetCode+实现经典算法 |
| 业务理解 | 无法用A/B测试评估模型上线效果 | 🟢 绿色 | 继续练习因果推断案例 |
🎯 面试问题：请介绍支持向量机（SVM）的核心思想，并说明如何处理非线性问题。
📌 面试官考察点：
- 是否理解最大间隔的几何意义
- 核函数与软间隔的引入动机
- 对偶问题的直觉（非细节推导）
🧠 回答框架：
- 一句话定义：二分类模型，找最大间隔超平面
- 核心三要素：间隔最大化、核函数（非线性→高维）、软间隔（对噪声鲁棒）
- 简单示例：线性核与RBF核的适用场景对比
✏️ 示例回答（80字）：SVM通过最大化几何间隔来寻找最优超平面，提升泛化能力。对非线性问题，使用核函数将数据映射到高维空间，使样本线性可分。同时引入松弛变量和惩罚系数C，允许少量样本误分类，增强对噪声的鲁棒性。常用RBF核处理复杂边界。
❓ 可能追问：如何选择核函数？SVM对缺失值敏感吗？为什么SVM流行了核方法？
🎯 面试问题：逻辑回归和线性回归有什么区别？逻辑回归的损失函数为什么不用均方误差？
📌 面试官考察点：
- 理解输出类型与激活函数的关系
- 知道交叉熵与MSE的梯度特性差异
- 能够从广义线性模型角度阐述
🧠 回答框架：
- 对比：输出连续值 vs 概率（sigmoid压缩）
- 损失函数：MSE vs 交叉熵
- 原因：MSE在逻辑回归中非凸，梯度消失严重；交叉熵凸优化且梯度更好
✏️ 示例回答（85字）：线性回归输出连续值，用最小二乘法；逻辑回归输出[0,1]概率，通过sigmoid映射，用交叉熵损失。若逻辑回归用MSE，损失函数将成为非凸函数，易陷入局部最优；且sigmoid饱和区梯度极小，导致MSE梯度近乎零，训练极慢。交叉熵能保证凸性且梯度更稳定。
❓ 可能追问：LR的决策边界为什么是线性的？在哪些场景下LR效果优于复杂模型？如何解决LR的特征交互问题？
🎯 面试问题：模型出现过拟合时，你通常有哪些处理方法？请分别说明原理。
📌 面试官考察点：
- 是否系统掌握正则化、数据增强、早停等常见手段
- 能否解释每种方法缓解过拟合的底层逻辑
- 是否有实际调参经验
🧠 回答框架：
- 从数据角度：增加数据量/数据增强
- 从模型角度：降低复杂度（简化结构、减少特征、Dropout）
- 从训练角度：正则化（L1/L2）、早停（Early Stopping）、降低学习率
- 原理浅析：L2约束权重范数使决策边界平滑；Dropout迫使神经元共同学习
✏️ 示例回答（95字）：常用方法：1）L2正则化——在损失中加权重平方和，迫使权重衰减，使模型更简单；2）Dropout——训练时随机丢弃神经元，防止单元共适应，类似集成学习；3）早停——在验证集损失上升时停止训练，防止后期过拟合。另外也可减少特征或使用集成模型降低方差。
❓ 可能追问：L1和L2有什么区别？Dropout在预测时如何调整权重？为什么说集成学习也能缓解过拟合？