题 1：L1 和 L2 的区别
L1范数（L1 norm）是指向量中各个元素绝对值之和。比如 向量A=[1，-1，3]， 那么A的L1范数为 |1|+|-1|+|3|
简单总结一下就是：
- L1范数: 为x向量各个元素绝对值之和
- L2范数: 为x向量各个元素平方和的1/2次方，L2范数又称Euclidean范数或Frobenius范数
- Lp范数: 为x向量各个元素绝对值p次方和的1/p次方
在支持向量机学习过程中，L1范数实际是一种对于成本函数求解最优的过程，因此，L1范数正则化通过向成本函数中添加L1范数，使得学习得到的结果满足稀疏化，从而方便人类提取特征。
- L1范数可以使权值稀疏，方便特征提取。
- L2范数可以防止过拟合，提升模型的泛化能力。
题 2：过拟合问题是如何产生的
过拟合的原因是：
- 数据量太小
- 模型复杂度太大
- 数据质量很差
- 过度训练
处理方法：
- 早停止：如在训练中多次迭代后发现模型性能没有显著提高就停止训练
- 数据集扩增：原有数据增加、原有数据加随机噪声、重采样
- 正则化，正则化可以限制模型的复杂度
- 交叉验证
- 特征选择/特征降维
- 创建一个验证集是最基本的防止过拟合的方法。我们最终训练得到的模型目标是要在验证集上面有好的表现，而不是训练集
题 3：二分查找的基本思想
「二分查找」的思想在我们的生活和工作中很常见，「二分查找」通过不断缩小搜索区间的范围，直到找到目标元素或者没有找到目标元素。
题 4：如何解决推荐系统冷启动问题
- 提供非个性化的推荐
最简单的例子就是热门排行榜，我们可以给用户推荐热门排行榜，然后等到用户数据收集到一定的时候，再切换为个性化推荐。 - 利用用户注册信息
用户注册时提供包括用户的年龄、性别、职业、民族、学历和居住地等数据，做粗粒度的个性化。有一些网站还会让用户用文字描述他们的兴趣。 - 利用社交网络信息
引导用户通过社交网络账号登录（需要用户授权），导入用户在社交网站上的好友信息，然后给用户推荐其好友喜欢的物品。
题 5：决策树算法有哪些
ID3、C4.5、CART 树的算法思想
ID3 算法的核心是在决策树的每个节点上应用信息增益准则选择特征，递归地构架决策树。
C4.5 算法的核心是在生成过程中用信息增益比来选择特征。
CART 树算法的核心是在生成过程用基尼指数来选择特征。
基于决策树的算法有随机森林、GBDT、Xgboost 等。
题 6：降维的方法
随机森林（Random Forest）
反向特征消除（Backward Feature Elimination）
前向特征选择（Forward Feature Selection）
因子分析（Factor Analysis）
主成分分析（PCA）
题 7：Linux 里面查看文件有哪些命令
Linux 查看日志文件内容命令有:
cat 由第一行开始显示文件内容
tac 从最后一行开始显示，可以看出 tac 是 cat 的倒着写
nl 显示的时候，顺道输出行号！
more 一页一页的显示文件内容
less 与 more 类似，但是比 more 更好的是，他可以往前翻页！
head 只看头几行
tail 只看尾巴几行
你可以使用 man [命令]来查看各个命令的使用文档，如 ：man cp。
题 8：PCA 是什么？实现过程是什么，意义是什么？
主成分分析 (PCA, principal component analysis)是一种数学降维方法, 利用正交变换 (orthogonal transformation)把一系列可能线性相关的变量转换为一组线性不相关的新变量，也称为主成分，从而利用新变量在更小的维度下展示数据的特征。
实现过程：
一种是基于特征值分解协方差矩阵实现PCA算法，一种是基于SVD分解协方差矩阵实现PCA算法。
意义：
使得数据集更易使用；降低算法的计算开销；去除噪声；使得结果容易理解。