431、什麼時候Ridge迴歸優於Lasso迴歸？
解析：
答：你可以引用ISLR的作者Hastie和Tibshirani的話，他們斷言在對少量變量有中等或大尺度的影響的時候用lasso迴歸。在對多個變量只有小或中等尺度影響的時候，使用Ridge迴歸。
從概念上講，我們可以說，Lasso迴歸（L1）同時做變量選擇和參數收縮，而ridge迴歸只做參數收縮，並最終在模型中包含所有的係數。在有相關變量時，ridge迴歸可能是首選。此外，ridge迴歸在用最小二乘估計有更高的偏差的情況下效果最好。因此，選擇合適的模型取決於我們的模型的目標。
432、全球平均溫度的上升導致世界各地的海盜數量減少。這是否意味著海盜的數量減少引起氣候變化？
解析：
答：看完這個問題後，你應該知道這是一個“因果關係和相關性”的經典案例。我們不能斷定海盜的數量減少是引起氣候變化的原因，因為可能有其他因素（潛伏或混雜因素）影響了這一現象。全球平均溫度和海盜數量之間有可能有相關性，但基於這些信息，我們不能說因為全球平均氣溫的上升而導致了海盜的消失。
注意：多瞭解關於因果關係和相關性的知識。
433、如何在一個數據集上選擇重要的變量？給出解釋。
解析：
答：以下是你可以使用的選擇變量的方法：
1.選擇重要的變量之前除去相關變量
2.用線性迴歸然後基於P值選擇變量
3.使用前向選擇，後向選擇，逐步選擇
4.使用隨機森林和Xgboost，然後畫出變量重要性圖
5.使用lasso迴歸
6.測量可用的特徵集的的信息增益，並相應地選擇前n個特徵量。
434、是否有可能捕獲連續變量和分類變量之間的相關性？如果可以的話，怎樣做？
解析：
是的，我們可以用ANCOVA（協方差分析）技術來捕獲連續型變量和分類變量之間的相關性。
435、Gradient boosting算法（GBM）和隨機森林都是基於樹的算法，它們有什麼區別？
解析：
答：最根本的區別是，隨機森林算法使用bagging技術做出預測。 GBM採用boosting技術做預測。在bagging技術中，數據集用隨機採樣的方法被劃分成使n個樣本。然後，使用單一的學習算法，在所有樣本上建模。接著利用投票或者求平均來組合所得到的預測。
Bagging是平行進行的。而boosting是在第一輪的預測之後，算法將分類出錯的預測加高權重，使得它們可以在後續一輪中得到校正。這種給予分類出錯的預測高權重的順序過程持續進行，一直到達到停止標準為止。隨機森林通過減少方差（主要方式）提高模型的精度。生成樹之間是不相關的，以把方差的減少最大化。在另一方面，GBM提高了精度，同時減少了模型的偏差和方差。
注意：多瞭解關於基於樹的建模知識。
閱讀更多 七月在線 的文章
