edureka 질문

Top 122 Data Science Interview Questions and Answers in 2022

Q1. What is Data Science? List the differences between supervised and unsupervised learning.

• 라벨링(답) 여부
• 데이터 분석, 인공지능을 이용 > 의사 결정에 도움, 새로운 인사이트를 도출

Q3. What is a bias-variance trade-off?

• 분산(variance)과 편향(bias)는 반비례, 트레이드오프가 있음
• 가장 좋은 모델은 low variance, low bias
• 과적합 = 고분산

Q5. What is a confusion matrix?

• tp, fp, fn, tn

Q7. What do you understand by true positive rate and false-positive rate?

• tp: positive로 예측, 참
  • tpr: tp/p
• fp: positive로 예측, 거짓
  • fpr: fp/n
• 1, 2종 오류

Q9. What is the ROC curve?

• 모든 임계값에서 분류 모델의 성능 보여줌
• 모델의 정확도?
• 좌상향

Q10. What are dimensionality reduction and its benefits?

• 특성 공학의 일종
• 예: pca(주성분분석)
• 시각화, 노이즈 제거, 메모리 절약, 퍼포먼스 향상

Q11. How do you find RMSE and MSE in a linear regression model?

• mean sqaured error, 최소 제곱 평균 오차?
• sum((실제값 - 예측값)^2)/개수
• 이상치 탐지에 좋음
• rmse는 단위가 같음

Q12. How to deal with unbalanced binary classification?

• 가중치, class weight
• 오버샘플링, 언더샘플링

Q13. What is the difference between a box plot and a histogram

• 박스 플롯: 이상치, 사분위수, 중간값, 최대, 최소값
• 히스토그램: 빈도 나타냄

Q15. Walkthrough the probability fundamentals

• 확률
• 순열
• 조합
• 팩토리얼
• Addition Rule
• 조건부 확률
• 중심극한정리

Q16. Describe different regularization methods, such as L1 and L2 regularization

• l1, l2: 과적합 방지 목적
• 정규화(regularization): 모델을 변형하여 과적합을 완화해 일반화 성능을 높여주기 위한 기법
• 일반화라는 말이 더 적합?
• Ridge 회귀는 이 편향을 조금 더하고, 분산을 줄이는 방법으로 정규화를 수행

Q18. Write the equation and calculate the precision and recall rate.

• Precision = True Positives / (True Positives + False Positives)
• Recall = True Positives / (True Positives + False Negatives)

Q19. Why do we use the summary function?

• summary of all the dataframe
• 한 눈에 value 파악하기 위해서

Q20. How will you measure the Euclidean distance between the two arrays in NumPy?

• 유클리드 거리 = 최소 거리

Q21. What is the difference between an error and a residual error?

• error: 예측값과 실제값의 차이 in 모집단
• residual error: 예측값과 실제값의 차이 in 표본집단

Q22. Difference between Normalisation and Standardization?

• normalization: 0~1 사이의 값으로 scaling
• standardization: 정규화, normal distribution

Q23. What is the difference between “long” and “wide” format data?

• long format: tidy format
• wide format: 사람이 읽기 쉬운 format