ML常见面试点总结，面前过一遍（part-1）

自己在准备面试的过程中复习了上课时的笔记，也看了很多面经，自己总结了常见ML面试的知识点，一般在面试前过一遍，查漏补缺。慢慢分享给大家，求加米！欢迎大家补充！
•        Data Preparation：
o            Missing Data
o            Outlier
o            Feature Engineering
                Categorical to label
                one-hot encoding
                binary encoding
o            unbalanced dataset
                sampling techniques
                how to evaluate
•                    confusion matrix
•                    AUC
•                    ROC
•                    precision, recall, F1
•                    …
•        ML basis
o             Overfit & underfit
o             bias & variance tradeoff
o             curse of dimensionality
o             collinearity
o             interaction & correlation
o             cross validation
o             hyperparameter tuning
o             regularization
                   L1 L2
                  why, explanation

•        Dimensionality reduction
o             feature selection
o             feature transformation
•        Model diagnostic
o             AIC/BIC/MDL
o             R2, adjusted R2
o             MLE
•        model evaluation
o             offline evaluation
                  accuracy
                  log-loss
                  precision, recall, F1
                  F-W index
                  lift
                  confusion matrix
                  AUC, ROC
                  MSE, MAE, RMSE, PMAE
                  R2, adjusted R2
                  NDCG
                  Rand Index
o             online evaluation
                  element-wise matrix
                  system-wise matrix


补充内容 (2021-2-10 06:12):
求加米

补充几个
MLE, MAP
KL divergence, mutual entropy, entropy, cross-entropy.

mark 一下

listwise metric: mean average precision and mean average recall

part2呢？不知道为啥加不上米，点赞了。

感谢楼主的总结