人工智能面试题 · 方案权衡 · XGBoost
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 30 道 · 更新 2026-08-05
筛选题目已选：方案权衡 · XGBoost
考察点
技术栈
第 1 题请详细说明GBDT与XGBoost的核心区别，并重点介绍XGBoost的最优分裂节点选择方式、加速方法、预排序的作用、分箱方式（等宽/等深）、缺失值及预测时缺失值的处理方式。 考察对GBDT与XGBoost算法原理的深入理解，特别是分裂节点选择、优化加速和缺失值处理机制第 2 题为什么在这个项目中XGBoost的效果比MLP好，可能是什么原因导致的？ 考察对GBDT与神经网络在不同数据场景下适用性的理解第 3 题XGBoost如何分箱？等宽与等深分箱有什么区别？ 考察对直方图分箱策略的理解第 4 题LightGBM比XGBoost的最大提升在于直方图加速，请详细介绍一下原理和过程。 考察对LightGBM直方图算法原理、流程及与XGBoost对比的理解深度第 5 题请比较 XGBoost、Prophet 和 LSTM 等时序模型的特点，并说明各自适用的场景。 考察对三种常见时序建模方法的原理理解与选型能力第 6 题XGBoost和LightGBM的区别是什么？ 考察对梯度提升框架核心机制与适用场景的理解第 7 题请介绍你对传统机器学习模型的了解，包括树模型和 XGBoost。 考察对传统机器学习模型核心原理的理解与对比能力第 8 题为什么XGBoost对损失函数展开到二阶，而不是更高阶？ 考察对XGBoost损失函数泰勒展开及优化原理的理解第 9 题请分别介绍决策树、随机森林和GBDT/XGBoost的原理，并说明它们之间的主要区别。 考察对经典树模型的原理理解与对比能力第 10 题请解释XGBoost在计算梯度时使用二阶泰勒展开的优势。 考察对XGBoost损失函数优化原理的理解，包括二阶导数信息的作用与误差控制第 11 题请说明 XGBoost 与 LightGBM 的主要区别，包括它们在并行化策略上的差异，并确认二者分别属于 Boosting 还是 Bagging 方法。 考察对梯度提升树模型的原理理解及对两者实现差异的掌握第 12 题XGBoost和随机森林的主要区别是什么？ 考察对集成学习两种典型算法的原理、机制和适用场景的理解第 13 题XGBoost有哪些缺点？LightGBM对此做了哪些优化？ 考察对两种主流梯度提升树框架的理解及对比分析能力第 14 题请介绍XGBoost与GBDT的原理、区别及各自适用场景。 考察对梯度提升树模型家族的理解深度与差异把握第 15 题请介绍 XGBoost 的基本原理，并说明它相对于传统梯度提升决策树有哪些主要优点。 考察对 XGBoost 算法原理的理解及其优势的归纳能力第 16 题请说明 XGBoost 的优缺点，并比较它与随机森林的区别。 考察对梯度提升树模型原理的理解及模型间对比分析能力第 17 题请介绍XGBoost的核心原理。 考察对XGBoost算法原理、优化目标和关键机制的理解第 18 题是否熟悉XGBoost和随机森林？它们的核心区别是什么？ 考察对常用集成学习算法的原理理解与应用辨析第 19 题机器学习算法：介绍GBDT和XGBoost的区别，XGBoost最优分裂节点的选择方法、加速方式、预排序的作用、分箱方式（等宽/等深）、缺失值处理方法（训练及预测阶段）。 考察对GBDT与XGBoost原理差异及关键工程细节的理解第 20 题LightGBM和XGBoost的区别是什么？ 考察对两种主流梯度提升框架核心机制差异的理解