Interview Questions and Answers

Example:

Supervised learning: Classification tasks like spam detection. Unsupervised learning: Clustering similar customer profiles.

Example:

A complex polynomial regression model fitting the training data perfectly but performing poorly on test data.

Example:

K-fold cross-validation divides data into k subsets; each subset is used for both training and validation in different iterations.

Example:

A linear regression model might have high bias if it oversimplifies a complex problem, while a high-degree polynomial may have high variance.

Example:

A model with a higher Area Under the ROC Curve (AUC-ROC) is generally considered better at distinguishing between classes.

Example:

If the p-value is 0.05, there is a 5% chance of observing the data if the null hypothesis is true.

Example:

A Random Forest model combining predictions from 100 decision trees to enhance accuracy and reduce overfitting.

Example:

A Bagged decision tree ensemble, where each tree is trained on a different bootstrap sample of the data.

Example:

In fraud detection, precision is crucial to minimize the number of false positives, i.e., legitimate transactions flagged as fraudulent.

Example:

Segmenting customers based on purchasing behavior to identify marketing strategies for different groups.

Example:

There may be a correlation between ice cream sales and drownings, but ice cream consumption does not cause drownings.

Example:

Testing two different website designs (A and B) to determine which leads to higher user engagement.

Example:

Increasing model complexity may reduce bias but increase variance, leading to overfitting.

Example:

For a binary classification problem, a confusion matrix might look like: [[TN, FP], [FN, TP]].