7月初，2022屆360校招提早批推薦算法面試題4道

#這是我參與8月更文挑戰的第4天，活動詳情查看：8月更文挑戰

一、非遞歸的二叉樹中序遍歷

該題爲Leetcode-94：二叉樹的中序遍歷

方法：迭代

須要一個棧的空間，先用指針找到每顆子數的最左下角，而後進行進出棧的操做。

代碼以下：

class Solution:
    def inorderTraversal(self, root: TreeNode) -> List[int]:
        if not root:
            return []
        stack = []
        res = []
        cur = root
        while stack or cur:
            while cur:
                stack.append(cur)
                cur = cur.left
            cur = stack.pop()
            res.append(cur.val)
            cur = cur.right
        return res
複製代碼

時間複雜度：O(n)，n 爲樹的節點個數

空間複雜度：O(h)，h 爲樹的高度

**幫助數千人成功上岸的《名企AI面試100題》書，電子版，限時免費送，須要的可評論區留言或私信我領取。

本書涵蓋計算機語⾔基礎、算法和⼤數據、機器學習、深度學習、應⽤⽅向 (CV、NLP、推薦 、⾦融風控)等五⼤章節，每⼀段代碼、每⼀道題⽬的解析都通過了反覆審查或review，但不排除可能仍有部分題⽬存在問題，如您發現，敬請經過官⽹/APP七月在線 - 國內領先的AI職業教育平臺 (julyedu.com)對應的題⽬頁⾯留⾔指出。

爲了照顧⼤家去官⽹對應的題⽬頁⾯參與討論，故本⼿冊各個章節的題⽬順序和官⽹/APP題庫內的題⽬展⽰順序 保持⼀致。 只有100題，但實際筆試⾯試不⼀定侷限於本100題，故更多煩請⼤家移步七⽉在線官⽹或 七⽉在線APP，上⾯還有近4000道名企AI筆試⾯試題等着⼤家，刷題愉快。

二、lightgbm 相較於 xgboost 的優點

優勢：直方圖算法—更高（效率）更快（速度）更低（內存佔用）更泛化（分箱與以後的不精確分割也起到了必定防止過擬合的做用）；

缺點：直方圖較爲粗糙，會損失必定精度，可是在gbm的框架下，基學習器的精度損失能夠經過引入更多的tree來彌補。

總結以下：

• 更快的訓練效率
• 低內存使用
• 更高的準確率
• 支持並行化學習
• 可處理大規模數據
• 支持直接使用category特徵

三、wide & deep 模型 wide 部分和 deep 部分分別側重學習什麼信息

Wide&Deep模型的主要思路正如其名，是由單層的Wide部分和多層的Deep部分組成的混合模型。其中，Wide部分的主要做用是讓模型具備較強的「記憶能力」，「記憶能力」能夠被理解爲模型直接學習並利用歷史數據中物品或者特徵的「共現頻率」的能力；Deep部分的主要做用是讓模型具備「泛化能力」，「泛化能力」能夠被理解爲模型傳遞特徵的相關性，以及發掘稀疏甚至從未出現過的稀有特徵與最終標籤相關性的能力；正是這樣的結構特色，使模型兼具了邏輯迴歸和深度神經網絡的優勢-----可以快速處理並記憶大量歷史行爲特徵，而且具備強大的表達能力。

四、點擊率預估任務中負樣本過多怎麼辦

正負樣本不均衡問題一直伴隨着算法模型存在，樣本不均衡會致使：對比例大的樣本形成過擬合，也就是說預測偏向樣本數較多的分類。這樣就會大大下降模型的泛化能力。每每accuracy（準確率）很高，但auc很低。

正負樣本不均衡問題的解決辦法有三類：

• 採樣處理——過採樣，欠採樣
• 類別權重——經過正負樣本的懲罰權重解決樣本不均衡的問題。在算法實現過程當中，對於分類中不一樣樣本數量的類別分別賦予不一樣的權重
• 集成方法——使用全部分類中的小樣本量，同時從分類中的大樣本量中隨機抽取數據來與小樣本量合併構成訓練集，這樣反覆屢次會獲得不少訓練集，從而訓練出多個模型。例如，在數據集中的正、負樣本分別爲100和10000條，比例爲1：100，此時能夠將負樣本隨機切分爲100份，每份100條數據，而後每次造成訓練集時使用全部的正樣本（100條）和隨機抽取的負樣本（100條）造成新的訓練數據集。如此反覆能夠獲得100個模型。而後繼續集成表決

通常狀況下在選擇正負樣本時會進行相關比例的控制，假設正樣本的條數是N，則負樣本的條數會控制在2N或者3N，即遵循1:2或者1:3的關係，固然具體的業務場景下要進行不一樣的嘗試和離線評估指標的對比。