人工智能面试题 · XGBoost
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 54 道 · 更新 2026-08-05
筛选题目已选：XGBoost
考察点
技术栈
第 1 题你了解哪些常用的树模型？请分别说明它们的核心原理和适用场景。 考察对决策树及其集成模型的原理掌握与场景选择能力第 2 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 3 题XGBoost 怎么对特征重要性排序？ 考察对 XGBoost 特征重要性计算机制的理解第 4 题在一次比赛中你使用了XGBoost，请说明其原理，以及你如何构造和选择特征。 考察对XGBoost原理的理解和特征工程的实践能力第 5 题请详细介绍你在项目中应用 XGBoost、LightGBM 和 DIN 模型的经验，重点说明 AUC 等评估指标在模型选择与调优中的具体作用。 考察对树模型与深度推荐模型的理解及实际应用能力第 6 题XGBoost 是否只适用于数值型残差估计？它能否用于特征选择？ 考察对 XGBoost 原理、使用范围及特征选择机制的理解第 7 题请比较XGBoost和随机森林的区别 考察对两类集成学习算法原理与适用场景的理解第 8 题请解释LightGBM的核心原理及其与XGBoost的主要区别。 考察对LightGBM算法原理与相对优势的理解第 9 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 10 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 11 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 12 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 13 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 14 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 15 题XGBOOST如何处理缺失值 考察对XGBoost缺失值处理机制的理解，包括稀疏感知算法和默认方向学习第 16 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 17 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 18 题XGBoost如何处理缺失值？预测时缺失值如何被处理？ 考察对稀疏感知算法和缺失值处理逻辑的理解第 19 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 20 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