机器学习面试高频题：从线性回归到 XGBoost 怎么答

不管投大模型还是传统算法岗，机器学习基础都是面试地基。高频题和答题要点整理如下。

概念类

偏差与方差：欠拟合/过拟合的另一副面孔。答清定义 + 如何诊断（训练/验证集曲线）+ 各自对策。

正则化：L1 为什么产生稀疏解（几何解释：菱形角点）、L2 为什么抗共线性。追问：和先验分布的关系。

过拟合怎么办：数据增强、正则化、早停、模型简化——按优先级答，别只背名词。

模型类

逻辑回归：为什么用 sigmoid（概率解释 + 凸优化）、损失函数怎么来的（极大似然）。

SVM：间隔最大化、核技巧的直觉解释、软间隔 C 的作用。

树模型三件套：决策树剪枝 → 随机森林 bagging → GBDT/XGBoost boosting，能讲清 bagging 与 boosting 的本质区别是及格线。XGBoost 追问：二阶泰勒展开、正则项、缺失值处理。

评估类

精确率/召回率/F1 的适用场景、AUC 的含义（排序能力）、样本不平衡怎么处理（重采样、调阈值、代价敏感）——业务岗问得特别多。

备考方法

概念题最怕"背得出讲不清"。高效过法：把高频题清单放屏幕左边逐题截图问 AI，看完答案合上自己讲一遍，讲不顺的标记重刷。追问类问题（"为什么""还有什么方法"）也让 AI 扮演面试官连环追问。

工具免费 3 次，够把概念类题目过一轮。