数据挖掘面试常用算法

分类算法：
逻辑回归
决策树 (ID3、C4.5、CART)
随机森林
支持向量机 (SVM)
神经网络
回归算法：
线性回归
多项式回归
广义线性模型 (GLM)
决策树回归
支持向量回归 (SVR)
非监督学习算法
聚类算法：
K-Means
层次聚类
模糊 C 均值 (FCM)
DBSCAN
谱聚类
降维算法：
主成分分析 (PCA)
线性判别分析 (LDA)
奇异值分解 (SVD)
t 分布随机邻域嵌入 (t-SNE)
自编码器
关联规则学习算法：
Apriori
FP-Growth
Eclat
其他算法
贝叶斯网络
异常检测算法 (LOF、OCSVM)
时间序列分析算法 (ARIMA、LSTM)
图算法 (PageRank、社区检测)
面试中算法评估要点
对算法原理的理解程度
算法的适用场景和局限性
算法的优缺点
调参技巧和经验
实际应用案例和效果评估