★ FEATURED ARTICLE 简介面向高校机器学习课程期末复习阶段的题库型资料围绕课程核心概念与常见题型组织内容适合需要快速自测、梳理知识框架并核对答案的本科生与备考读者。正文以单项选择题、多项选择题、名词解释、简答题和编程题五类形式展开覆盖训练集与测试集划分、欠拟合与过拟合、K近邻、朴素贝叶斯、支持向量机核函数、决策树生成、线性回归、聚类及模型性能评估等高频考点并给出对应答案与简要解释。压缩包内为1个docx文档体积约20KB便于直接打开检索或打印复习。已有13141人学习说明其在同类期末资料中具有一定参考基础。读者可借助完整题型快速定位薄弱章节结合名词解释与简答题校准概念表述并通过编程题步骤回顾Sklearn建模、拟合、预测与评价流程适合考前集中刷题和查漏补缺。1. 机器学习期末复习先算清分数账再决定背哪几页“决策树生成有几种算法”这道题选项是 1、2、3、4标准答案给的是 3。很多人明明背过 ID3、C4.5、CART考场还是选了 4因为选项里塞了一个根本不存在的“ID4”。机器学习期末复习的丢分点大多不是不会而是干扰项长得太像。这份复习题及答案对应的卷面结构很固定单选 10 题、多选 5 题、名词解释 5 个、简答 3 题、编程 2 题纯记忆题占七成剩下三成卡在概念边界和代码细节上。想稳过先把术语背成条件反射再把两道 sklearn 代码题练到能默写。适合知识点零散、做题总在二选一上翻车的人。2. 基础概念题训练集划分、欠拟合与名词解释的三套答法2.1 训练集与测试集把“泛化”两个字写进答案里第一道单选就是送分题机器学习把数据集分成训练集和B 测试集。选项里的分析集、导入集、备用集都是凑数的但每年都有人在这里犹豫因为“分析”听起来也很合理。判断标准很简单——模型拟合时用的是训练集评估时用的是模型没见过的数据那部分就是测试集。简答题“为什么要把数据集分成训练集与测试集”分值更高只写“为了评估模型”最多拿一半分。这类题通常这么答模型完全依靠训练集完成拟合即使对训练集精度很高也不能保证应用到新数据时保持同样的贴合度因此需要留出一部分未参与训练的数据用来验证模型在未知样本上的表现这个能力就是泛化能力。三句话分别对应“怎么练”“为什么不能只看训练集”“测试集到底测什么”阅卷时关键词全在。答题模板可以固定成这个结构提示先写拟合过程依赖训练集再写训练集精度高不代表新数据精度高最后落到“用测试集评估泛化能力”。顺序别反反了就像在背结论。再往下延伸一层教材里常把数据切成三份训练集、验证集、测试集。训练集学参数验证集选超参数测试集只在最后用一次。面试官或命题老师最想听的是“测试集不能参与调参”一旦用测试集反复调模型评估结果就偏乐观等于自己给自己泄题。这个点在简答题里加一句能拉开档次。还有个小细节划分比例。常见口径是 7:3 或 8:2数据量大时测试集占比可以更小。不要写死“必须 7:3”写“通常按 7:3 或 8:2 划分数据量越大测试集比例可适当降低”更稳。如果题目要求写代码train_test_split的test_size参数就是控制这个比例的random_state固定随机种子保证结果可复现这两个参数写出来说明你是真跑过代码的。2.2 欠拟合与过拟合四个选项怎么归类单选题“以下属于解决模型欠拟合的方法”给的是A 增加训练数据量、B 对模型进行裁剪、C 增加训练过程的迭代次数、D 正则化。正确答案 C。这道题的坑在于四个选项单拎出来都像是“优化模型”的动作必须先判断每个动作到底在压哪一头。现象典型表现解决方向本题选项对应欠拟合训练集和测试集精度都低模型没抓住核心特征提高模型复杂度、增加迭代次数、减少正则化强度C 增加迭代次数过拟合训练集精度高、测试集精度明显下降把噪声也学进去了增加数据、正则化、剪枝、降维、早停A 增加数据量、B 裁剪、D 正则化归类完就清楚了A、B、D 都是往下压模型复杂度的压过头只会更欠拟合只有 C 是让模型在训练集上继续学方向对。这里有个绕不开的现实问题——增加训练数据量对欠拟合其实也有帮助但在多数教材的口径里它被归到“缓解过拟合”那一栏因为数据越多模型越不容易记住噪声。遇到这种口径题单选就选最直接、最贴教材的那个别跟选项较劲。注意多选题可以宽容单选题必须挑“最对”。这道题如果出成多选把“增加数据量”选上通常也算对出成单选就只能选增加迭代次数。名词解释“欠拟合”和“过拟合”是同一组对照答题时要成对出现关键词。欠拟合的关键词是“训练集和测试集精度均不高”“未能把握核心特征”“模型过于简单”过拟合的关键词是“训练集表现好”“测试集表现差”“特征选取过多”“把噪声当规律”。两句话各带三个关键词比写一大段描述更容易踩分。还有一个常考的变形过拟合怎么解决。标准答案是一串动作——增加训练样本、减少特征数量、正则化L1/L2、决策树剪枝、神经网络 Dropout、早停。答题时按“数据层面、特征层面、模型层面”分三层写层次感一出来分数就稳。数据层面加样本、做数据增强特征层面降维、筛特征模型层面加正则、剪枝、早停。这个三层框架几乎能套所有“如何防止过拟合”的题。2.3 名词解释每个词至少写够两个关键词名词解释是最容易“写了一堆但没分”的题型。阅卷按关键词给分一句话里没有术语写再长也是零。下面这张表是按题目里出现过的名词整理的左边是必写关键词右边是可以直接背的一句话模板。名词必写关键词一句话模板机器学习模拟人类学习行为、获取知识或技能、人工智能的核心研究如何让计算机模拟并实现人类的学习行为以获取新的知识或技能是人工智能的核心分支欠拟合训练集与测试集精度均不高、未把握核心特征模型在训练集和预测时精度均不高未能把握数据核心特征的情况过拟合训练集表现好、测试集差、特征过多模型拟合过度把训练数据中的噪声也学了进去特征选取过多导致泛化能力下降数据清洗缺失值、噪声、离群点、不一致通过填补缺失值、平滑噪声、删除或平滑离群点、解决数据不一致来清理数据的过程聚类相似性尽可能大、簇间差异性尽可能大、无标签按距离等准则把数据集划分成若干簇使同簇内样本相似性尽可能大、不同簇间差异性尽可能大分类离散、映射、目标函数、已有标签通过已有数据集学习得到目标函数把样本特征 x 映射到离散类别 y 的过程线性回归特征与连续目标变量、建模、简单与多元针对一个或多个特征与连续目标变量之间的关系建模分为简单线性回归和多元线性回归均方误差估计量与被估计量、差异程度反映估计量与被估计量之间差异程度的一种度量是预测值与真实值差平方的均值性能评估准确率、查准率、查全率、综合评价用准确率、查准率、查全率及综合评价指标衡量模型预测效果的过程分类准确度分类正确样本数、总样本数、比值分类正确的样本数占总样本数的比例Accuracy n_correct / n_total背这张表有个技巧每个名词先记“它解决什么问题”再记“它怎么算或怎么定义”。比如聚类先记“没有标签按相似度分组”再记“簇内相似大、簇间差异大”比如分类准确度先记“猜对的除以总数”公式自然就出来了。考场上一紧张定义容易忘但“它干什么用的”很难忘从用途往定义推比死背更抗压。还有两个容易写漏的点。其一是“线性回归”要写出定义式 y ω₀ ω₁xω₀ 是截距、ω₁ 是斜率回归系数写出来就是加分项。其二是“均方误差”要区分它和“均方根误差”前者是差平方的均值后者还要开根号量纲才和原数据一致。这两个词在选择题里经常互换着考名词解释里写清楚等于提前给自己排雷。3. 算法辨析题KNN、朴素贝叶斯、决策树、SVM 的判定口径3.1 KNN 与 PCA有监督与无监督的分水岭单选题“K 近邻算法是A 有监督学习”和“PCA 降维是B 无监督学习”是同一套判断逻辑的两道题。判断标准只有一条训练时有没有用到标签 y。KNN 的训练集是带标签的预测时看离它最近的 k 个邻居多数属于哪一类标签全程参与所以是有监督PCA 只对特征矩阵 X 做协方差分解找方差最大的方向投影压根不需要 y所以是无监督。聚类也是同样道理没有标签归到无监督。这条判断标准能推出一整片题。半监督学习是少量带标签加大量无标签强化学习靠奖励信号试错也不是靠标签。考试里只要看到“有没有 y”八成能直接定。KNN 还有三个必背要素k 值、距离度量、决策规则。k 太小模型被局部噪声带跑容易过拟合k 太大远处不相干的点也被拉进来投票容易欠拟合。所以 k 一般取奇数避免两类票数相同没法决断。距离度量默认欧氏距离也可以换曼哈顿距离或闵可夫斯基距离。决策规则分类用多数投票回归用均值。提示KNN 是“惰性学习”训练阶段只把样本存起来没有显式的参数求解过程计算压力全在预测阶段。简答题问“KNN 的特点”时写上这句比只写“看最近的邻居”深一层。编程题里 KNN 的第一步是导入from sklearn.neighbors import KNeighborsClassifier注意neighbors是复数中间是下划线不是点。题目给的四个选项里只有这一行是 KNN 的导入语句另外三行分别是 NumPy、Matplotlib 和 math属于典型的“看着都眼熟”型干扰项。3.2 朴素贝叶斯四个选项用“argmax 连乘”排掉三个判定公式题给的是 H(x) argmax P(Ci)ΠP(ak|ci)正确答案 A。另外三个选项分别把argmax换成了exp、min、log把连乘符号 Π 有的保留有的去掉。这道题不用真懂推导抓住两个特征就能排除分类要选概率最大的类别所以外层必须是argmax朴素贝叶斯假设各特征在给定类别下条件独立联合概率拆成各自概率相乘所以必须有连乘 Π。两个特征一卡只剩 A。为什么是“朴素”因为它假设特征之间相互独立这个假设在现实中往往不成立所以叫“朴素”。但即使假设不严格成立它在文本分类这类高维稀疏场景里依然能打计算量小、对小样本友好这是它的实用价值。答题时把“条件独立性假设”和“后验概率最大化”两个词写进去基本就到位了。简答题“朴素贝叶斯算法的原理”可以按这个顺序写基于贝叶斯定理利用概率统计进行分类对待分类项分别计算它属于各个类别的概率概率最大的类别即为预测类别计算时假设各特征在类别给定条件下相互独立把联合概率转化为连乘。四句话从定理到假设再到决策规则逻辑闭环。还有个实战细节如果某个特征值在训练集里没出现过连乘会直接变成 0整个概率被清零。解决办法是拉普拉斯平滑给每个计数加一个小常数避免零概率。这个点在大题里出现频率不低写上就是区分度。3.3 决策树三种生成算法与两种划分标准决策树这块有三道题连着考单选“决策树生成有几种算法”答案 3多选“决策树算法包括”答案 ID3、C4.5、CART多选“决策树算法的划分标准”答案信息增益、基尼指数。三题其实是一张知识网。算法划分标准特点ID3信息增益偏好取值多的特征容易偏向编号类特征C4.5信息增益率用增益率修正 ID3 的偏好支持连续值与缺失值CART基尼指数分类、平方误差回归二叉树结构分类回归都能做记忆口诀可以自己编ID3 看“增益”C4.5 看“增益率”CART 看“基尼”。三个算法对应三个标准别串。多选题里如果出现“信息增益率”它也是划分标准只是题干给的是“信息增益”和“基尼指数”选项里没有增益率时不要自己加戏。简答题“决策树的原理”按结构写决策树是类似于流程图的树结构内部节点分支节点表示对一个特征的测试根据测试结果把样本分到不同分支叶节点代表一个类别。四句话对应“树形、测什么、怎么分、结果是什么”比背一大段定义更稳。决策树的优点也要会写可解释性强能直接输出规则不需要特征归一化对缺失值有一定容忍度。缺点是容易过拟合所以要剪枝预剪枝在分裂前判断、后剪枝在长成后回剪。这部分常和过拟合一起出综合题。3.4 SVM核函数与线性可分、线性不可分的简答模板单选题“支持向量机常用的核函数”答案高斯核函数。另外三个选项“二项式核函数”“贝叶斯核函数”“网络核函数”都是编出来的名字教材里常见的是线性核、多项式核、高斯核RBF、Sigmoid 核。看到“贝叶斯核”这种把两个算法名拼一起的选项基本可以直接排除。简答题“如何理解线性不可分”按这个模板答线性不可分是指不存在一个线性分类器二维中是直线、三维中是平面、高维中是超平面能把两类样本完全分开实际数据中这种情况很常见处理思路是把样本映射到更高维空间使其在高维空间中线性可分或者允许少量样本分错引入软间隔。三句话从定义到现实到解法。对应的“线性可分”答题要按维度递进一维空间找一个点分开二维空间找一条直线三维空间找一个平面n 维空间找一个超平面。这个递进写法是标准答案的形状比一句“存在一个超平面能分开”更有分。核函数的作用一句话概括在低维空间里计算高维空间的内积避免显式映射带来的计算爆炸。这句话写进简答或名词解释含金量很高。3.5 聚类与神经网络数量题与任务题的记法单选题“聚类分析有几种算法”答案 3和决策树那道数量题一样。这类题没有推导空间纯靠记教材口径。常见聚类方法按大类分划分式K-Means、层次式AGNES、密度式DBSCAN所以选 3。别按自己知道的算法个数去数K-Means、K-Medoids、谱聚类、DBSCAN、OPTICS 数下来远超 4 个那是算法实现不是教材分类。注意数量题一律以教材或课件列的清单为准。复习时把课件上那张“分类表”拍下来背比刷十道题管用。聚类和分类的区别也是高频简答分类有标签、是监督学习、结果是已知类别聚类没有标签、是无监督学习、结果是事先不知道的簇。一句话对照两个词都用上——“有无标签”和“监督与否”。神经网络的多选题“神经网络算法可完成的任务”答案 ABCD分类、回归、感知、机器翻译。这四个确实都能做图像分类是分类、房价预测是回归、感知机是最基础的神经元模型、机器翻译是序列到序列的任务。单选“神经元模型是”答案“神经网络中最基本的组成部分”别选“生物神经”题目问的是模型层面的定义。神经网络还有个常考对比它和传统机器学习方法比优势在自动提取特征、能拟合复杂非线性关系劣势在需要大量数据、训练成本高、可解释性差。这组对比写进简答能撑起一道小题。4. 评估指标与编程题MAE 别写成 MSEfit 别忘记写4.1 回归四指标MAE、MSE、RMSE、R² 的对应关系回归评估这块有两道单选一道问“平均绝对误差”答案 MAE另一道问“均方差”答案给的是 RMSE。后一道要留个心眼——严格来说均方误差是 MSE均方根误差才是 RMSE题干和选项之间存在术语混用。考场策略是看题干强调什么出现“绝对”就选 MAE出现“平方”看选项里给的是 MSE 还是 RMSE按选项能对上的选。指标全称计算量纲特点MAE平均绝对误差(1/n)Σ|yᵢ - ŷᵢ|与原数据一致对异常值不敏感解释直观MSE均方误差(1/n)Σ(yᵢ - ŷᵢ)²原数据平方放大较大误差优化时好求导RMSE均方根误差√MSE与原数据一致兼具 MSE 的惩罚力度和可解释量纲R²决定系数1 - SS_res / SS_tot无量纲越接近 1 越好可为负记忆方法带“绝对”的是 MAE带“根”的是 RMSE剩下一个 MSE 是两者的中间形态。R² 单独记它衡量的是模型解释了多大比例的方差不是误差本身。简答题问“回归模型怎么评估”按“先误差、后拟合优度”的顺序写先用 MAE 或 RMSE 看预测值与真实值的偏离程度再用 R² 看模型对目标变量方差的解释比例MAE 对异常值稳健RMSE 对大误差更敏感实际中常一起看。这样写既覆盖指标又体现取舍。4.2 分类指标与数据清洗准确率、查准率、查全率分类任务的核心指标是混淆矩阵推出来的四个值TP、FP、FN、TN。准确率 Accuracy (TPTN)/(TPFPFNTN)查准率 Precision TP/(TPFP)查全率 Recall TP/(TPFN)F1 2PR/(PR)。这四个公式必须能默写因为名词解释“性能评估”和“分类准确度”都靠它们撑。为什么不能只看准确率样本极不均衡时会骗人。比如 100 个样本里 95 个负类模型全判负类准确率 95%但正类一个没抓到。这时候要看查全率和 F1。这个例子写进简答比干背公式有说服力。数据清洗的多选题给的是A 训练数据、B 缺失值处理、C 分类、D 离群值检查答案 BD。排除逻辑很直接——训练数据和分类是后续建模动作不是清洗动作。数据清洗的完整动作包括缺失值处理删除、均值/中位数/众数填充、模型预测填充、离群值检测与处理箱线图、3σ 原则、删除或截断、噪声平滑、去重、解决数据不一致。名词解释“数据清洗”就按这串写。提示缺失值填充要区分数值型和类别型。数值型用均值或中位数类别型用众数缺失比例过高比如超过 70%时直接删列往往比硬填更合理。4.3 编程题一简单线性回归的六步写法第一套卷子的编程题只要求写步骤第二套要求真写代码。两种都得会因为步骤题就是在考你会不会写代码。步骤固定六步导入库函数、导入数据集、建模模型实例化、模型拟合模型训练、预测、模型评价。这六步的顺序不能乱尤其“先实例化再 fit”顺序反了直接判错。对应第二套给的数据 X [1,2,3,4,5]Y [3,4,6,8,9]完整代码# 1 导入库函数 import numpy as np from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score # 2 导入数据集sklearn 要求特征 X 是二维数组每个样本一行 X np.array([[1], [2], [3], [4], [5]]) y np.array([3, 4, 6, 8, 9]) # 3 建模模型实例化 model LinearRegression() # 4 拟合用训练数据求参数 model.fit(X, y) # 5 预测 y_pred model.predict(X) # 6 模型评价 print(斜率 w1:, model.coef_[0]) print(截距 w0:, model.intercept_) print(MAE:, mean_absolute_error(y, y_pred)) print(MSE:, mean_squared_error(y, y_pred)) print(R2:, r2_score(y, y_pred))代码逻辑按六步走每一步对应题干的一个动作。参数上有三个必须说明的点X必须是二维数组写成[1,2,3,4,5]会报“期望二维输入”的错正确写法是[[1],[2],[3],[4],[5]]或者np.array([1,2,3,4,5]).reshape(-1, 1)model.coef_是回归系数 ω₁model.intercept_是截距 ω₀这两个属性带下划线是 fit 之后才有的mean_absolute_error和mean_squared_error的参数顺序是“真实值在前、预测值在后”写反了数值一样但习惯不对遇到多输出会出问题。如果题目只要求写步骤就写这六行文字每行后面加一句括号说明导入库函数numpy、sklearn.linear_model、导入数据集X 二维、y 一维、建模LinearRegression()、拟合fit、预测predict、评价MAE、MSE、R²。分点写一行一分。4.4 编程题二KNN 分类的完整代码与三个检查点KNN 这道题给的数据是十行二维特征、十个标签前五个是 0后五个是 1。题目要求“编程实现 K 近邻算法分类”没给预测样本那就在代码里造一个测试点证明模型能跑通。# 导入 KNN 分类器 import numpy as np from sklearn.neighbors import KNeighborsClassifier # 导入数据集X 是二维特征矩阵y 是一维标签 X np.array([[3, 2], [3, 1], [1, 3], [3, 4], [2, 2], [7, 4], [5, 3], [9, 2], [7, 3], [7, 0]]) y np.array([0, 0, 0, 0, 0, 1, 1, 1, 1, 1]) # 建模n_neighbors 是 k 值取奇数避免平票 knn KNeighborsClassifier(n_neighbors3) # 拟合KNN 的 fit 只是把样本存起来 knn.fit(X, y) # 预测传入的必须是二维数组一行一个样本 test np.array([[6, 3]]) print(预测类别:, knn.predict(test)) # 评价返回测试集上的平均准确率 print(训练集准确率:, knn.score(X, y))逻辑说明KNN 没有显式训练过程fit阶段只是保存训练样本和标签真正的计算发生在predict。所以这道题的重点不是“训练多久”而是“预测时怎么找邻居”。参数说明三个n_neighbors是 k 值默认 5小样本建议取 3 或 5 且取奇数避免两类票数相同X必须是二维每个样本一行、每个特征一列写成[3, 2]这样的一维列表会报错predict返回的是数组哪怕只传一个样本返回的也是[0]或[1]这种形状。三个检查点考前默一遍导入路径是sklearn.neighborsneighbors复数、中间是点不是下划线X和y的行数必须一致这道题都是 10predict之前必须fit没 fit 直接 predict 会报“模型未拟合”。还可以补一句距离度量metric参数默认minkowskip2时等价于欧氏距离改成p1就是曼哈顿距离。想体现“知道参数怎么改”写上这句就够。5. 易错点五类最容易在考场上丢分的题5.1 有监督和无监督张冠李戴错在哪把 KNN 判成无监督把 PCA 判成有监督或者把聚类和分类混成一类。为什么错凭“算法名字听起来像什么”去猜。KNN 里有“邻居”感觉像在找相似样本就以为是聚类PCA 名字里没有“标签”反而被当成监督方法。怎么答对只问一句“训练时用没用 y”。KNN 的 y 参与投票有监督PCA 只分解 X无监督聚类没有 y无监督分类有 y有监督。把这个判断句写在草稿纸边上四道题一起过。5.2 欠拟合题看见“正则化”就选错在哪单选“解决欠拟合的方法”选了“正则化”或“对模型裁剪”。为什么错把“优化模型”和“降低复杂度”当成一回事。正则化、剪枝、裁剪都是往下压复杂度压过头只会更欠拟合方向反了。怎么答对先给选项贴标签——哪些是加压增加迭代、增加特征、提高模型复杂度哪些是减压正则化、剪枝、增加数据。题干问欠拟合就选加压项问过拟合就选减压项。这道题只有“增加训练过程的迭代次数”是加压项。5.3 决策树数量题被“ID4”骗错在哪问“决策树生成有几种算法”看到 ID3、C4.5、CART 再加一个 ID4顺手选 4。为什么错只记住“ID 开头”这个形状没记住具体名字。ID4 根本不存在是专门造出来的干扰项。怎么答对把三个算法连同划分标准一起背——ID3 对信息增益、C4.5 对信息增益率、CART 对基尼指数。数字题记清单不记选项位置选项顺序一换照样能选对。5.4 评估指标缩写混着写错在哪题干问“平均绝对误差”选了 MSE问“均方误差”写了 MAER² 写成 R2 或者干脆和 RMSE 搞混。为什么错四个缩写里三个都带 M眼睛一扫就过去了没有逐字读题干。怎么答对抓题干里的限定词。“绝对”对应 MAE“平方”对应 MSE“均方根”对应 RMSE“决定系数”对应 R²。再看量纲MAE 和 RMSE 与原数据同量纲MSE 是平方量纲R² 无量纲用这个反推也能验算。5.5 编程题漏 fit、X 维度写错错在哪代码里实例化了模型直接predict或者把 X 写成一维列表运行报错。为什么错把“建模”当成“训练完成”。实例化只是创建对象参数还是空的不 fit 就没有可用的模型sklearn 所有模型都要求 X 是二维数组一维列表会被当成“一个样本多个特征”或直接报形状错误。怎么答对写完代码按三查过一遍——查导入路径对不对、查 X 是不是二维、查 predict 前有没有 fit。线性回归的 X 用reshape(-1, 1)KNN 的 X 直接用二维列表两个都别省。6. 押题与答题节奏从选择题到编程题的 90 分钟分配先把时间切开。期末卷子题量不大但编程题要手写代码容易在前面纠结选择题时把时间耗光。可以按这个节奏走题型题量建议用时拿分动作单项选择10 题10 分钟一遍过拿不准的标记不回头死磕多项选择5 题10 分钟逐项贴“加压/减压”或“清洗/建模”标签再选名词解释5 个15 分钟每个写两到三句关键词先落地简答题3 题25 分钟分点写一点一行别写成一大段编程题2 题25 分钟先写六步框架再往里填代码检查—5 分钟专查 X 维度、fit、指标缩写押题方向按出现频率排考前两小时只看这些训练集与测试集划分的目的以及“泛化能力”这个关键词欠拟合与过拟合的对照各写三条解决方法KNN 为什么是有监督、k 值大小的影响朴素贝叶斯判定公式和条件独立假设决策树三种生成算法与对应划分标准SVM 线性可分与线性不可分的定义核函数的作用MAE、MSE、RMSE、R² 的区分准确率、查准率、查全率的公式数据清洗包含哪些动作简单线性回归六步 KNN 完整代码。答题有个通用习惯值得养成简答题先写“是什么”再写“为什么”最后写“怎么用”。阅卷老师扫的是关键词位置三句话分三层比一段话糊在一起更容易给分。名词解释则反过来先给定义句再补一句作用或公式别铺垫。说个自己的教训。早年做这类卷子选择题一路顺到了编程题发现 X 写成了一维改来改去把简答题的检查时间挤没了最后错的全是“MAE 写成 MSE”这种低级题。从那以后我每次做卷子都强制走一遍“先标记不确定的选择题、编程题先搭六步框架、最后五分钟专查缩写和维度”的流程分数才稳下来。你也可以把这三步写在草稿纸最上面开考先看一眼。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
