1、什么是机器学习？
机器学习就是研究如何使计算机能够模拟人的学习方式，从大量数据中不断提升处理某个具体问题的能力。
2、机器学习的三要素是什么？
数据、算法、模型。
机器学习通过大量数据，使用某种算法，不断训练优化自己的模型。
3、什么是目标函数？
通过样本训练，得到一个具体模型，用来描述该模型的函数。
4、什么是损失函数？
用来衡量假设函数对样本的预测值与实际值差异差异的函数。
5、机器学习的一般步骤是什么？
数据采集和标注、数据预处理、特征选择、模型选择、模型训练与测试、模型评估与优化、模型应用
6、什么是过拟合、欠拟合？
过拟合是模型的训练集损失函数很小，验证集损失函数很大。
欠拟合是模型的训练集损失函数很大，验证集损失函数很大。
7、什么是学习曲线？
描述模型的损失函数随样本数量变化的曲线。
8、如何判断过拟合、欠拟合？
模型欠拟合时，训练集和验证集的学习曲线接近，但都在一个较低的水平。
模型过拟合时，训练集的学习曲线保持在较高水平，验证集的学习曲线保持在较低水平。
模型拟合好时，训练集和验证集的学习曲线接近，且都保持在教高水平。
9、如何解决过拟合问题？
增加训练集样本数量；减少选择的特征数量。
10、如果解决欠拟合问题？
增加有价值的特征数量；增加多项式特征。
11、如何验证模型准确率？
准确率：Precision=TP/（TP+FP），即在所有被预测为正的测试数据中，预测正确的比率。
召回率：Recall=TP/（TP+FN） ，即在所有实际为正的测试数据中，预测正确的比率。
F1Score: F1Score = 2*PR/(P+R)
12、什么是K近邻算法？
通过未标记样本距离最近的k个邻居决定样本的类别。k近邻算法是一种有监督的学习算法，可以解决分类问题，也可以解决回归问题。
优点：准确性高，对异常值和噪声有较高的容忍度。
缺点：计算量较大，对内存有较大需求。
13、K近邻算法的原理？
1）遍历训练集中所有样本，计算每个样本于测试集中样本的距离，并把距离保存在距离数组；
2）对距离数组进行排序，取距离最近的k个点；
3）统计最近k个点每个类别的个数，待测样本的类别，就是k个点中个数最多的那个类别。
（待续）