1. 为什么要进行归一化

    归一化后会使每一维度数据的更新速度变得更为一致，可更快通过梯度下降法找到最优解。梯度下降法求解的模型有线性回归、逻辑回归、支持向量机、神经网络模型等，但归一化对决策树模型并不适用，以C4.5为例，模型节点分裂时主要依据数据集关于特征的信息增益比，而信息增益比与是否归一化是无关的。

2.类别特征如何处理

• 序号编码
  

• 独热编码
  

• 二进制编码
  

3 . 高维组合特征

    一阶离散特征两两组合形成高维组合。

4. 如何有效找到组合特征

    通过决策树寻找特征组合

5. 文本表示模型

• Bag of Words
  

• TF-IDF（Term Frequency-Inverse Document Frequency）
  

• Topic Model
  

• Word Embedding
  

6. Word2Vec

    一种浅层神经网络模型，它有两种网络结构，分别是：CBOW根据上下文预测当前词的概率、Skip-gram根据当前词预测上下文的概率。

• Word2vec和LDA的区别和联系
  

    LDA：利用文档中的单词共现关系来进行主题聚类。也可理解为对“文档-单词”矩阵进行分解，得到“文档-主题”和“主题-单词”两个概率分布。

    Word2Vec：对“上下文-单词”矩阵进行学习，其中上下文由周围的几个单词组成， 由此得到的词向量表示更多地融入了上下文共现的特征。也就是说，如 果两个单词所对应的Word2Vec向量相似度较高，那么它们很可能经常在同样的上下文中出现。

• 主题模型和词嵌入两类方法的主要差异
  

    主题模型基于“上下文-单词”矩阵进行主题推理。主题模型是一种基于概率图模型的生成式模型，其似然函数可以写成若干条件概率连乘的形式，其中包括需要推测的隐含变量（即主题）；

词嵌入方法根据“文档-单词”矩阵学习出词的隐含向量表示。词嵌入模型一般表达为神经网络的形式，似然函数定义在网络的输出之上，需要通过学习网络的权重以得到单词的稠密向量表示。

7. 图像数据不足时的处方法

• 迁徙学习
  

• 生成对抗网络
  

• 图像处理
  

• 上采样
  

• 数据扩充