企业官网建设流程全解析

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。

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。

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 + ω₁x，ω₀ 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。

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 MSE，fit 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。

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 = (TP+TN)/(TP+FP+FN+TN)，查准率 Precision = TP/(TP+FP)，查全率 Recall = TP/(TP+FN)，F1 = 2PR/(P+R)。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 ω₁，model.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_neighbors=3) # 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.neighbors，neighbors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 10；predict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minkowski，p=2时等价于欧氏距离，改成p=1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 MAE；R² 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：

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