如何理解维度灾难
哪些公司问过
陌陌1
答案要点
- 空间体积随维度指数增长,固定样本量下数据越来越稀疏
- 维持样本密度所需的样本量随维度指数增长
- 距离集中:最近邻与最远邻距离趋近,KNN、聚类等基于距离的方法变差
- 后果:过拟合、泛化差、计算和存储开销上升
- 缓解:特征选择、PCA 等降维、正则化、增加数据、利用低维流形结构
易错点
- 只说“维度高计算慢”,没讲稀疏和距离失效的本质
- 把 t-SNE 当作通用降维特征工程方法
- 认为维度越多信息越多效果一定越好,忽略样本量的约束
面试官常见追问
- t-SNE 能用来给模型降维做特征吗?
- 为什么深度学习在高维图像上还能工作?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。