你我贷 风控

前两轮的面试都是以电话沟通的方式进行的。整个面试过程非常愉快，第一轮的面试官是数据主管，让我详细聊了一下过往比较成功的1-2个项目细节，并针对遇到的问题进行了比较细致的提问和讨论；

第二轮的面试官是部门总监，看得出是技术出生，对于很多问题，都看得非常透彻，同样也是针对过往的经历，甚至在校的论文、项目经历进行交流和探讨；

终面是当面沟通，比较偏向于开放式讨论，抛出问题，讨论如何解决；

HR面也进行的比较愉快，很耐心的给我讲解整个公司的架构，未来发展的方向。

过拟合原因 数据：数据不规范，数据量少，数据穿越，统计特征用到了未来的信息或者标签信息 算法：算法过于复杂 解决： 1、将数据规范化，处理缺失值，增加数据量，采样，添加噪声数据 2、正则化，控制模型复杂程度， 3、early stoping，减少迭代次数，减少树的深度， 4、学习率调大/小点、 5、融合几个模型

L1和L2的区别

1、L1是Lasso Regression，表示向量中每个元素绝对值的和：L1范数的解通常是稀疏性的，倾向于选择数目较少的一些非常大的值或者数目较多的insignificant的小值。

2、L2是岭回归，Ridge Regression，是欧氏距离也就是平方和的平方根。L2范数越小，可以使得w的每个元素都很小，接近于0，但L1范数不同的是他不会让它等于0而是接近于0。

3、L1正则化的w可取的值是转置的方形，L2对应的是圆形。这样损失函数l（w）的最小值更容易在L1对应的边角上取得，从而这些维度变成0了。 从贝叶斯的角度来看，加入正则项相当于加入了一种先验。即当训练一个模型时，仅依靠当前的训练数据集是不够的，为了实现更好的泛化能力，往往需要加入先验项。 L1范数相当于加入了一个Laplacean先验； L2范数相当于加入了一个Gaussian先验。

4、L2对大数的惩罚更大，但是解相对来说比较均匀。