Какой алгоритм лежит в основе модели
Что проверяют
Вопрос почти всегда про модель из вашего проекта или резюме. Интервьюер хочет понять, знаете ли вы, как она учится, а не только как вызвать fit(). Следом идут вопросы: почему не взяли модель попроще, какие гиперпараметры подбирали и как убедились, что нет переобучения.
Как отвечать
Каркас: алгоритм, механизм обучения, почему он, как проверяли. Пример для самого частого случая в табличных задачах, градиентного бустинга на деревьях:
- идея: неглубокие деревья строятся последовательно, каждое новое аппроксимирует антиградиент функции потерь по предсказаниям текущего ансамбля. Для регрессии с MSE это просто остатки;
- функция потерь: logloss для классификации, MSE или MAE для регрессии, при необходимости свой лосс под бизнес-метрику;
- ключевые параметры:
learning_rate, глубина, число деревьев с ранней остановкой по валидации, регуляризация листьев, сэмплирование строк и признаков; - различия библиотек: XGBoost использует вторые производные в критерии разбиения, LightGBM растит деревья по листьям на гистограммах признаков, CatBoost строит симметричные деревья и кодирует категории упорядоченными target-статистиками, что снижает утечку таргета.
Дальше свяжите с задачей: какой был бейзлайн (логистическая регрессия, правило от бизнеса), какой прирост дала модель по вашей метрике (ROC AUC, PR AUC, MAPE), как устроена валидация (разбиение по времени для данных со временем), как объясняли предсказания (SHAP). Цифры только ваши. Если модель брали готовой, скажите об этом прямо и объясните, как она устроена и почему подошла.
Для нейросетей каркас тот же: архитектура, лосс, оптимизатор, регуляризация, откуда предобученные веса.
Где спотыкаются
Отвечают «случайный лес» и замолкают. Без механизма обучения и причины выбора это звучит как название из туториала.
Путают бэггинг и бустинг. Лес снижает дисперсию, усредняя независимые деревья, а бустинг снижает смещение, исправляя ошибки предыдущих шагов.
Не могут назвать метрику и схему валидации. Модель без честной отложенной выборки и сравнения с бейзлайном ничего не доказывает.