常见分类模型及多特征多分类场景选型
哪些公司问过
答案要点
- 线性类:逻辑回归(sigmoid/softmax 输出概率)、SVM(最大间隔,核函数处理非线性)
- 概率与距离类:朴素贝叶斯(条件独立假设)、KNN(基于距离投票)
- 树与集成:决策树、随机森林(Bagging)、GBDT/XGBoost/LightGBM(Boosting)
- 多特征多分类的表格数据常首选 GBDT 类模型,自动建模非线性与特征交互
- 高维稀疏可用正则化线性模型,非结构化大数据用深度学习;关注类别不平衡和宏平均指标
易错点
- 多分类不平衡时只看准确率,掩盖小类别表现
- 对树模型做大量标准化等无用的特征缩放,却忽略对线性模型和 KNN 必须做缩放
- 默认深度学习一定比 GBDT 好,表格数据上往往相反
面试官常见追问
- 二分类模型怎么扩展到多分类?
- 随机森林和 GBDT 的区别?
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。