2013网易实习生招聘 岗位：数据挖掘工程师 
一、问答题 
a) 欠拟合和过拟合的原因分别有哪些？如何避免？ 
b) 决策树的父节点和子节点的熵的大小？请解释原因。 c) 衡量分类算法的准确率，召回率，F1值。 

d) 举例序列模式挖掘算法有哪些？以及他们的应用场景。 

二、计算题 

1) 给你一组向量a，b 
a) 计算二者欧氏距离 b) 计算二者曼哈顿距离 2) 给你一组向量a，b，c，d 

a) 计算a，b的Jaccard相似系数 b) 计算c，d的向量空间余弦相似度 c) 计算c、d的皮尔森相关系数 

三、（题目记得不是很清楚） 

一个文档-词矩阵，给你一个变换公式tfij’=tfij*log(m/dfi)；其中tfij代表单词i在文档f中的频率，m代表文档数，dfi含有单词i的文档频率。 

1) 只有一个单词只存在文档中，转换的结果？（具体问题忘记） 2) 有多个单词存在在多个文档中，转换的结果？（具体问题忘记） 3) 公式变换的目的？ 

四、推导朴素贝叶斯分类P(c|d)，文档d（由若干word组成），求该文档属于类别c的概率，

并说明公式中哪些概率可以利用训练集计算得到。 

五、给你五张人脸图片。 

可以抽取哪些特征？按照列出的特征，写出第一个和最后一个用户的特征向量。 

六、考查ID3算法，根据天气分类outlook/temperature/humidity/windy。（给你一张离散型

的图表数据，一般学过ID3的应该都知道） a) 哪一个属性作为第一个分类属性？ b) 画出二层决策树。

 七、购物篮事物（关联规则） 

一个表格：事物ID/购买项。 
1) 提取出关联规则的最大数量是多少？（包括0支持度的规则） 2) 提取的频繁项集的最大长度（最小支持>0） 3) 找出能提取出4-项集的最大数量表达式 

4) 找出一个具有最大支持度的项集（长度为2或更大） 5) 找出一对项a，b，使得{a}->{b}和{b}->{a}有相同置信度。 

八、一个发布优惠劵的网站，如何给用户做出合适的推荐？有哪些方法？设计一个合适的系

统（线下数据处理，存放，线上如何查询？）