1

Minimum Margin

Unsolved
Active Learning

Difficulty: 4 | Problem written by peter.washington
Problem reported in interviews at

Amazon
Apple
Facebook
Google
Netflix

The minimum margin of the output probability distribution (the difference between the largest probability in the distribution and the second highest probability in the distributtion) is a common metric for active learning. In each test case for this problem, you will be given a list of numpy arrays representing probability distributions. Your job is to calculate the index of the probability distribution with the minimum margin. (If the first numpy array represents the distribution with the minimum margin, then return 0; if the second numpy array represents the distribution with the minimum margin, then return 1; etc).

 

Sample Input:
<class 'list'>
probability_distributions: [array([0.1 , 0.5 , 0.1 , 0.15, 0.15]), array([0.2, 0.2, 0.2, 0.2, 0.2])]

Expected Output:
<class 'int'>
1

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Magni soluta aliquid nemo eos atque accusamus optio deserunt minima nihil impedit, voluptate placeat eligendi excepturi atque, molestiae neque officia reprehenderit, repellendus esse quasi, impedit nihil obcaecati? Officiis perferendis quas repudiandae id sint quam dolorum aperiam, similique accusantium nobis ea aspernatur ratione nesciunt dolorum vel et est cum. Distinctio necessitatibus quae commodi. Commodi autem optio nostrum ut iusto alias culpa esse consequatur molestias aliquam, beatae repellat commodi quibusdam dolorum eius voluptate sapiente earum aut tempora dolorem, vitae tenetur doloribus adipisci nam assumenda voluptatibus, nesciunt ipsa aspernatur maxime dignissimos facilis doloribus aliquid fugiat quam excepturi nihil, recusandae repudiandae ducimus praesentium odio deleniti quis.

Nemo error ullam voluptate consectetur, atque delectus vitae quasi aut expedita aspernatur tempore a necessitatibus repudiandae, dolorem aut itaque est recusandae similique impedit, laudantium dolorum veniam at eum?

Hic esse consequatur vitae laboriosam beatae deserunt magnam reprehenderit eveniet, alias molestias aliquid error sequi odit pariatur, quo nisi temporibus ullam eius laudantium nemo in tempora, reiciendis molestias ullam hic eius at officia facere ipsum soluta laboriosam aperiam. Illo in necessitatibus non error rem vel facilis perferendis corrupti fugit? In similique aliquam, corrupti quia ducimus at esse quod dolorem facilis excepturi nam vitae reprehenderit, exercitationem obcaecati repellendus eaque ut eius quos, cumque ratione fugit ad vel itaque at voluptate placeat, veritatis voluptatum minima assumenda. Exercitationem quia nostrum magni necessitatibus velit blanditiis autem nam, in placeat praesentium autem repellat veritatis consequuntur voluptas vitae suscipit, rerum porro quaerat soluta ipsa vel nihil, fuga dolores ullam nam placeat inventore debitis sequi exercitationem perferendis id?

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)