2013網易實習生資料挖掘工程師

2013網易實習生招聘 崗位：資料挖掘工程師 

一、問答題 

a) 欠拟合和過拟合的原因分别有哪些？如何避免？ 

b) 決策樹的父節點和子節點的熵的大小？請解釋原因。 c) 衡量分類算法的準确率，召回率，f1值。 

d) 舉例序列模式挖掘算法有哪些？以及他們的應用場景。 

二、計算題 

1) 給你一組向量a，b 

a) 計算二者歐氏距離 b) 計算二者曼哈頓距離 2) 給你一組向量a，b，c，d 

a) 計算a，b的jaccard相似系數 b) 計算c，d的向量空間餘弦相似度 c) 計算c、d的皮爾森相關系數 

三、（題目記得不是很清楚） 

一個文檔-詞矩陣，給你一個變換公式tfij’=tfij*log(m/dfi)；其中tfij代表單詞i在文檔f中的頻率，m代表文檔數，dfi含有單詞i的文檔頻率。 

1) 隻有一個單詞隻存在文檔中，轉換的結果？（具體問題忘記） 2) 有多個單詞存在在多個文檔中，轉換的結果？（具體問題忘記） 3) 公式變換的目的？ 

四、推導樸素貝葉斯分類p(c|d)，文檔d（由若幹word組成），求該文檔屬于類别c的機率，

并說明公式中哪些機率可以利用訓練集計算得到。 

五、給你五張人臉圖檔。 

可以抽取哪些特征？按照列出的特征，寫出第一個和最後一個使用者的特征向量。 

六、考查id3算法，根據天氣分類outlook/temperature/humidity/windy。（給你一張離散型

的圖表資料，一般學過id3的應該都知道） a) 哪一個屬性作為第一個分類屬性？ b) 畫出二層決策樹。

 七、購物籃事物（關聯規則） 

一個表格：事物id/購買項。 

1) 提取出關聯規則的最大數量是多少？（包括0支援度的規則） 2) 提取的頻繁項集的最大長度（最小支援>0） 3) 找出能提取出4-項集的最大數量表達式 

4) 找出一個具有最大支援度的項集（長度為2或更大） 5) 找出一對項a，b，使得{a}->{b}和{b}->{a}有相同置信度。 

八、一個釋出優惠劵的網站，如何給使用者做出合适的推薦？有哪些方法？設計一個合适的系

統（線下資料處理，存放，線上如何查詢？）