你用 MultinomialNB 做 20 类新闻分类，默认 alpha=1.0。结果验证集里有接近一半的样本被预测成同一个类别。把 alpha 调到 0.01 后准确率涨了 5 个点，调到 10 后掉了 8 个点。请解释这三种结果，并说明你会怎么确定 alpha。

面试官在考什么

考察是否真的理解平滑参数在概率模型里改变了什么，以及能否把调参和类先验、评价指标一起考虑，而不是把 alpha 当成一个随手试的超参。

朴素贝叶斯

回答框架 · 前两步

1. alpha 是加在每个 (类别, 词) 计数上的平滑量：alpha 越大，各词在各类别下的条件概率被拉向均匀分布，类别之间的似然差异被抹平，预测主要由类先验决定，于是多数类被大量预测——这正是 alpha=1 时的现象。
2. alpha 很小时条件概率更接近经验频率，区分度回来了，但方差变大、对稀疏计数和未见词更敏感，并且在 log 空间下容易产生极端值。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 避坑与冲刺：简历自洽、六种扣分话术、D-7 准备表

想看这个方向的整体准备路线？ 进入「机器学习基础」方向页

同一能力域的其他题

• GBDT 和 XGBoost 的关系是什么？XGBoost 相比 GBDT 做了哪些工程与数学上的改进？
• 特征重要性你一般怎么看？树模型的 gain 重要性和 permutation importance 各有什么局限？
• 你在做一个点击率预估模型，训练集 2000 万条，真实正样本率是 1%。你用带截距的逻辑回归训练完之后，验证集 AUC=0.78（看起来正常），但把验证集上的预测概率求平均得到 0.29。请说出你会按什么顺序排查，每一步的判据是什么。
• 某推荐场景有 3 亿条训练样本、2 万维特征（约 95% 的取值为 0，以稀疏 one-hot 为主）。业务要求：全量重训能在 2 小时内跑完，线上单次预测 p99 < 10ms，资源只有 CPU 集群、没有 GPU。现在有三个方案：(A) 逻辑回归 + FTRL 在线学习，边服务边更新；(B) 逻辑回归 + L-BFGS 离线全量重训，每天一次；(C) 直接换成 2 层 MLP。请给出你的选型，并说清楚在什么监控信号出现时你会推翻它。
• 线上一个 LR 二分类模型，每天全量重训，离线训练 AUC 稳定在 0.790，但近 7 天线上 AUC 从 0.780 单调掉到 0.762；模型容量、特征列表、样本量都没有改动。PM 要求本周内把模型换成 XGBoost 来提效果。你作为模型负责人，第一周会做什么？请给出你的归因顺序和判断依据。
• 一个 5 万样本、50 维的二分类任务，你直接用 SVC(kernel='rbf') 训练，跑了一小时没跑完、内存也吃紧。换成 LinearSVC 后 3 分钟训完，但验证集 F1 掉了 4 个点。请说明 RBF 核在这里慢在哪，并给出 2~3 条能同时保住效果的替代方案。