1、KNN中的K如何选取的？

答：如果选择较小的值，就相当于用较小的领域中训练实例进行预测，“学习”近似误差会减小，只有输入实例较近或相似的训练实例才会对预测结果起作用，于此同时带来的问题是“学习”的估计误差会增大，换句话说，K值的减小意味着整体模型变得复杂，容易发生过拟合;如果选择较大的值，就相当于用较大领域中的训练实例进行预测，其优点是可以减少学习的估计误差，但缺点是学习的近似误差会增大。这时候，与输入实例较远（不相似的）训练实例也会对预测器也会对预测器起作用，使预测发生误差，且K值的增大就意味着整体的模型变得简单。在实际应用中，K值一般选取一个比较小的数值，例如采用交叉验证法来选择最优的值。

2、防止过拟合的方法

答：early stopping(早停止)：在训练中多次迭代后发现模型性能没有显著提高就停止训练;

      数据集扩增、正则化L1、L2、交叉验证、特征选择/降维、BatchNormalization、dropout、控制决策树深度等。

3、机器学习中，为何要经常对数据做归一化

答：归一化加快了梯度下降求解最优解的速度;归一化可能提高精度。

4、归一化为什么能提高梯度下降法求解最优解的速度？

答：未使用归一化时，模型训练需要迭代很多次才能收敛;当时用了归一化时，使用梯度下降求解时能较快较准的收敛。

5、归一化有可能提高精度？

答：一些分类器需要计算样本之间的距离（如欧式距离、曼哈顿距离等）。如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，可能实际情况是此时值域范围小的特征更重要，从而有可能提高精度。

6、归一化的类型。

答：a.线性归一化;b.标准差标准化;c.非线性归一化。