{ "slug": "class-04-ml", "title": "第四次课 · 机器学习", "subtitle": "第4课 · ML · 班级测验整理", "sourceFiles": [ "docs/class_quiz/04-机器学习.md" ], "essenceTopicIds": [ "topic-3" ], "topics": { "covered": [ "监督/无监督/强化概览", "经典 ML 算法与评估" ], "followUp": [ "集成学习与实践调参" ] }, "totalQuestions": 31, "quiz": [ { "id": "class-04-ml-q1", "number": 1, "kind": "single", "question": "机器学习区别于传统编程的核心特征是", "hint": "传统编程依赖人为编写规则，机器学习通过数据自动学习规律，这是核心区别。", "options": [ { "id": "class-04-ml-q1-A", "text": "使用高级编程语言", "isCorrect": false, "rationale": "使用高级编程语言侧重的是另一个机制或层级：与材料中强调的「机器学习区别于传统编程的核心特征是」「传统编程依赖人为编写规则」不一致；解析核心是「传统编程依赖人为编写规则，机器学习通过数据自动学习规律，这是核心区别。」，因此更合适的是 B（通过数据学习规律而非显式编程规则）。" }, { "id": "class-04-ml-q1-B", "text": "通过数据学习规律而非显式编程规则", "isCorrect": true, "rationale": "传统编程依赖人为编写规则，机器学习通过数据自动学习规律，这是核心区别。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q1-C", "text": "运行速度更快", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 运行速度更快会引入多余假设或跳过关键前提；请以「传统编程依赖人为编写规则，机器学习通过数据自动学习规律，这是核心区别。」为轴对照 B。" }, { "id": "class-04-ml-q1-D", "text": "不需要数学基础", "isCorrect": false, "rationale": "不需要数学基础更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「机器学习区别于传统编程的核心特征是」「传统编程依赖人为编写规则」不一致。请以解析「传统编程依赖人为编写规则，机器学习通过数据自动学习规律，这是核心区别。」锁定 B。" } ], "sourceSnippet": "传统编程依赖人为编写规则，机器学习通过数据自动学习规律，这是核心区别。" }, { "id": "class-04-ml-q2", "number": 2, "kind": "single", "question": "以下哪个属于监督学习的典型任务?", "hint": "A是聚类(无监督)，C是生成(无监督/自监督)，D是降维(无监督)。…（可先想：哪一选项与该句直接矛盾？）", "options": [ { "id": "class-04-ml-q2-A", "text": "将客户分为不同群组", "isCorrect": false, "rationale": "将客户分为不同群组侧重的是另一个机制或层级：与材料中强调的「监督学习需要带标签的数据」「预测房价是回归任务」不一致；解析核心是「监督学习需要带标签的数据，预测房价是回归任务，属于监督学习。A是聚类(无监督)，C是生成(无监督/自监督)，D是降维(无监督)。」，因此更合适的是 B（预测房价）。" }, { "id": "class-04-ml-q2-B", "text": "预测房价", "isCorrect": true, "rationale": "监督学习需要带标签的数据，预测房价是回归任务，属于监督学习。A是聚类(无监督)，C是生成(无监督/自监督)，D是降维(无监督)。" }, { "id": "class-04-ml-q2-C", "text": "生成新图片", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 生成新图片会引入多余假设或跳过关键前提；请以「监督学习需要带标签的数据，预测房价是回归任务，属于监督学习。A是聚类(无监督)，C是生成(无监督/自监督)，D是降维(无监督)。」为轴对照 B。" }, { "id": "class-04-ml-q2-D", "text": "降维可视化", "isCorrect": false, "rationale": "降维可视化更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「监督学习需要带标签的数据」「预测房价是回归任务」不一致。请以解析「监督学习需要带标签的数据，预测房价是回归任务，属于监督学习。A是聚类(无监督)，C是生成(无监督/自监督)，D是降维(无监督)。」锁定 B。" } ], "sourceSnippet": "监督学习需要带标签的数据，预测房价是回归任务，属于监督学习。A是聚类(无监督)，C是生成(无监督/自监督)，D是降维(无监督)。" }, { "id": "class-04-ml-q3", "number": 3, "kind": "single", "question": "在无监督学习中，常用的任务是", "hint": "分类和回归属于监督学习，强化学习是另一范式。…（可先想：哪一选项与该句直接矛盾？）", "options": [ { "id": "class-04-ml-q3-A", "text": "分类", "isCorrect": false, "rationale": "分类侧重的是另一个机制或层级：与材料中强调的「在无监督学习中」「常用的任务是」不一致；解析核心是「聚类是无监督学习的典型任务，旨在发现数据的内在分组结构。分类和回归属于监督学习，强化学习是另一范式。」，因此更合适的是 C（聚类）。" }, { "id": "class-04-ml-q3-B", "text": "回归", "isCorrect": false, "rationale": "从选项 B 的文面看不出与解析链条的一一对应：与材料中强调的「在无监督学习中」「常用的任务是」不一致；而 C 才覆盖「聚类是无监督学习的典型任务，旨在发现数据的内在分组结构。分类和回归属于监督学习，强化学习是另一范式。」这层判断。" }, { "id": "class-04-ml-q3-C", "text": "聚类", "isCorrect": true, "rationale": "聚类是无监督学习的典型任务，旨在发现数据的内在分组结构。分类和回归属于监督学习，强化学习是另一范式。" }, { "id": "class-04-ml-q3-D", "text": "强化学习", "isCorrect": false, "rationale": "强化学习更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「在无监督学习中」「常用的任务是」不一致。请以解析「聚类是无监督学习的典型任务，旨在发现数据的内在分组结构。分类和回归属于监督学习，强化学习是另一范式。」锁定 C。" } ], "sourceSnippet": "聚类是无监督学习的典型任务，旨在发现数据的内在分组结构。分类和回归属于监督学习，强化学习是另一范式。" }, { "id": "class-04-ml-q4", "number": 4, "kind": "single", "question": "以下哪个场景最适合使用强化学习?", "hint": "A和D是监督学习，B是回归(监督学习)。…（可先想：哪一选项与该句直接矛盾？）", "options": [ { "id": "class-04-ml-q4-A", "text": "识别图片中的猫", "isCorrect": false, "rationale": "识别图片中的猫侧重的是另一个机制或层级：与材料中强调的「强化学习通过与环境交互获取奖励来学习策略」「机器人控制是经典应用」不一致；解析核心是「强化学习通过与环境交互获取奖励来学习策略，机器人控制是经典应用。A和D是监督学习，B是回归(监督学习)。」，因此更合适的是 C（训练机器人学会走路）。" }, { "id": "class-04-ml-q4-B", "text": "预测股票价格", "isCorrect": false, "rationale": "从选项 B 的文面看不出与解析链条的一一对应：与材料中强调的「强化学习通过与环境交互获取奖励来学习策略」「机器人控制是经典应用」不一致；而 C 才覆盖「强化学习通过与环境交互获取奖励来学习策略，机器人控制是经典应用。A和D是监督学习，B是回归(监督学习)。」这层判断。" }, { "id": "class-04-ml-q4-C", "text": "训练机器人学会走路", "isCorrect": true, "rationale": "强化学习通过与环境交互获取奖励来学习策略，机器人控制是经典应用。A和D是监督学习，B是回归(监督学习)。" }, { "id": "class-04-ml-q4-D", "text": "将新闻自动分类", "isCorrect": false, "rationale": "将新闻自动分类更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「强化学习通过与环境交互获取奖励来学习策略」「机器人控制是经典应用」不一致。请以解析「强化学习通过与环境交互获取奖励来学习策略，机器人控制是经典应用。A和D是监督学习，B是回归(监督学习)。」锁定 C。" } ], "sourceSnippet": "强化学习通过与环境交互获取奖励来学习策略，机器人控制是经典应用。A和D是监督学习，B是回归(监督学习)。" }, { "id": "class-04-ml-q5", "number": 5, "kind": "single", "question": "机器学习三要素通常不包括", "hint": "硬件是支撑但非要素。…（可先想：哪一选项与该句直接矛盾？）", "options": [ { "id": "class-04-ml-q5-A", "text": "模型", "isCorrect": false, "rationale": "模型侧重的是另一个机制或层级：与材料中强调的「机器学习三要素通常不包括」「机器学习三要素为模型」不一致；解析核心是「机器学习三要素为模型、策略和算法。硬件是支撑但非要素。」，因此更合适的是 D（硬件设备）。" }, { "id": "class-04-ml-q5-B", "text": "策略(学习准则)", "isCorrect": false, "rationale": "从选项 B 的文面看不出与解析链条的一一对应：与材料中强调的「机器学习三要素通常不包括」「机器学习三要素为模型」不一致；而 D 才覆盖「机器学习三要素为模型、策略和算法。硬件是支撑但非要素。」这层判断。" }, { "id": "class-04-ml-q5-C", "text": "算法", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 算法会引入多余假设或跳过关键前提；请以「机器学习三要素为模型、策略和算法。硬件是支撑但非要素。」为轴对照 D。" }, { "id": "class-04-ml-q5-D", "text": "硬件设备", "isCorrect": true, "rationale": "机器学习三要素为模型、策略和算法。硬件是支撑但非要素。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" } ], "sourceSnippet": "机器学习三要素为模型、策略和算法。硬件是支撑但非要素。" }, { "id": "class-04-ml-q6", "number": 6, "kind": "single", "question": "在机器学习项目流程中，划分训练集、验证集、测试集的目的是", "hint": "验证集用于调参，测试集用于最终泛化评估，避免模型对训练集过拟合。", "options": [ { "id": "class-04-ml-q6-A", "text": "增加数据量", "isCorrect": false, "rationale": "增加数据量侧重的是另一个机制或层级：与材料中强调的「在机器学习项目流程中」「划分训练集」不一致；解析核心是「验证集用于调参，测试集用于最终泛化评估，避免模型对训练集过拟合。」，因此更合适的是 B（评估模型泛化能力，防止过拟合）。" }, { "id": "class-04-ml-q6-B", "text": "评估模型泛化能力，防止过拟合", "isCorrect": true, "rationale": "验证集用于调参，测试集用于最终泛化评估，避免模型对训练集过拟合。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q6-C", "text": "加快训练速度", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 加快训练速度会引入多余假设或跳过关键前提；请以「验证集用于调参，测试集用于最终泛化评估，避免模型对训练集过拟合。」为轴对照 B。" }, { "id": "class-04-ml-q6-D", "text": "自动选择特征", "isCorrect": false, "rationale": "自动选择特征更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「在机器学习项目流程中」「划分训练集」不一致。请以解析「验证集用于调参，测试集用于最终泛化评估，避免模型对训练集过拟合。」锁定 B。" } ], "sourceSnippet": "验证集用于调参，测试集用于最终泛化评估，避免模型对训练集过拟合。" }, { "id": "class-04-ml-q7", "number": 7, "kind": "single", "question": "特征工程的主要作用不包括", "hint": "特征工程是数据预处理和特征构造，不负责自动选择算法。", "options": [ { "id": "class-04-ml-q7-A", "text": "提高模型性能", "isCorrect": false, "rationale": "提高模型性能侧重的是另一个机制或层级：与材料中强调的「特征工程的主要作用不包括」「特征工程是数据预处理和特征构造」不一致；解析核心是「特征工程是数据预处理和特征构造，不负责自动选择算法。」，因此更合适的是 C（自动选择算法）。" }, { "id": "class-04-ml-q7-B", "text": "降低数据维度", "isCorrect": false, "rationale": "从选项 B 的文面看不出与解析链条的一一对应：与材料中强调的「特征工程的主要作用不包括」「特征工程是数据预处理和特征构造」不一致；而 C 才覆盖「特征工程是数据预处理和特征构造，不负责自动选择算法。」这层判断。" }, { "id": "class-04-ml-q7-C", "text": "自动选择算法", "isCorrect": true, "rationale": "特征工程是数据预处理和特征构造，不负责自动选择算法。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q7-D", "text": "将原始数据转化为更适合模型的形式", "isCorrect": false, "rationale": "将原始数据转化为更适合模型的形式更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「特征工程的主要作用不包括」「特征工程是数据预处理和特征构造」不一致。请以解析「特征工程是数据预处理和特征构造，不负责自动选择算法。」锁定 C。" } ], "sourceSnippet": "特征工程是数据预处理和特征构造，不负责自动选择算法。" }, { "id": "class-04-ml-q8", "number": 8, "kind": "single", "question": "以下哪个步骤通常发生在模型训练之前?", "hint": "其他是训练中的步骤。…（可先想：哪一选项与该句直接矛盾？）", "options": [ { "id": "class-04-ml-q8-A", "text": "计算损失函数", "isCorrect": false, "rationale": "计算损失函数侧重的是另一个机制或层级：与材料中强调的「划分数据集是数据准备阶段」「早于训练」不一致；解析核心是「划分数据集是数据准备阶段，早于训练。其他是训练中的步骤。」，因此更合适的是 C（划分数据集）。" }, { "id": "class-04-ml-q8-B", "text": "反向传播", "isCorrect": false, "rationale": "从选项 B 的文面看不出与解析链条的一一对应：与材料中强调的「划分数据集是数据准备阶段」「早于训练」不一致；而 C 才覆盖「划分数据集是数据准备阶段，早于训练。其他是训练中的步骤。」这层判断。" }, { "id": "class-04-ml-q8-C", "text": "划分数据集", "isCorrect": true, "rationale": "划分数据集是数据准备阶段，早于训练。其他是训练中的步骤。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q8-D", "text": "更新参数", "isCorrect": false, "rationale": "更新参数更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「划分数据集是数据准备阶段」「早于训练」不一致。请以解析「划分数据集是数据准备阶段，早于训练。其他是训练中的步骤。」锁定 C。" } ], "sourceSnippet": "划分数据集是数据准备阶段，早于训练。其他是训练中的步骤。" }, { "id": "class-04-ml-q9", "number": 9, "kind": "single", "question": "在机器学习工作流中，模型评估与选择阶段使用的数据是", "hint": "测试集仅用于最终评估，训练集用于学习参数。…（可先想：哪一选项与该句直接矛盾？）", "options": [ { "id": "class-04-ml-q9-A", "text": "训练集", "isCorrect": false, "rationale": "训练集侧重的是另一个机制或层级：与材料中强调的「在机器学习工作流中」「模型评估与选择阶段使用的数据是」不一致；解析核心是「验证集用于模型选择和超参数调优。测试集仅用于最终评估，训练集用于学习参数。」，因此更合适的是 B（验证集）。" }, { "id": "class-04-ml-q9-B", "text": "验证集", "isCorrect": true, "rationale": "验证集用于模型选择和超参数调优。测试集仅用于最终评估，训练集用于学习参数。" }, { "id": "class-04-ml-q9-C", "text": "测试集", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 测试集会引入多余假设或跳过关键前提；请以「验证集用于模型选择和超参数调优。测试集仅用于最终评估，训练集用于学习参数。」为轴对照 B。" }, { "id": "class-04-ml-q9-D", "text": "全部数据", "isCorrect": false, "rationale": "全部数据更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「在机器学习工作流中」「模型评估与选择阶段使用的数据是」不一致。请以解析「验证集用于模型选择和超参数调优。测试集仅用于最终评估，训练集用于学习参数。」锁定 B。" } ], "sourceSnippet": "验证集用于模型选择和超参数调优。测试集仅用于最终评估，训练集用于学习参数。" }, { "id": "class-04-ml-q10", "number": 10, "kind": "single", "question": "如果模型在训练集上准确率接近100%，但在测试集上准确率很低，这种现象称为", "hint": "过拟合表现为模型过于适应训练数据，泛化能力差。", "options": [ { "id": "class-04-ml-q10-A", "text": "欠拟合", "isCorrect": false, "rationale": "欠拟合侧重的是另一个机制或层级：与材料中强调的「如果模型在训练集上准确率接近」「但在测试集上准确率很低」不一致；解析核心是「过拟合表现为模型过于适应训练数据，泛化能力差。」，因此更合适的是 B（过拟合）。" }, { "id": "class-04-ml-q10-B", "text": "过拟合", "isCorrect": true, "rationale": "过拟合表现为模型过于适应训练数据，泛化能力差。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q10-C", "text": "梯度消失", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 梯度消失会引入多余假设或跳过关键前提；请以「过拟合表现为模型过于适应训练数据，泛化能力差。」为轴对照 B。" }, { "id": "class-04-ml-q10-D", "text": "收敛停滞", "isCorrect": false, "rationale": "收敛停滞更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「如果模型在训练集上准确率接近」「但在测试集上准确率很低」不一致。请以解析「过拟合表现为模型过于适应训练数据，泛化能力差。」锁定 B。" } ], "sourceSnippet": "过拟合表现为模型过于适应训练数据，泛化能力差。" }, { "id": "class-04-ml-q11", "number": 11, "kind": "single", "question": "模型在训练集和测试集上都表现不佳，最可能的原因是", "hint": "欠拟合指模型未能捕捉数据规律，在训练集上表现就不好。", "options": [ { "id": "class-04-ml-q11-A", "text": "过拟合", "isCorrect": false, "rationale": "过拟合侧重的是另一个机制或层级：与材料中强调的「模型在训练集和测试集上都表现不佳」「最可能的原因是」不一致；解析核心是「欠拟合指模型未能捕捉数据规律，在训练集上表现就不好。」，因此更合适的是 B（欠拟合）。" }, { "id": "class-04-ml-q11-B", "text": "欠拟合", "isCorrect": true, "rationale": "欠拟合指模型未能捕捉数据规律，在训练集上表现就不好。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q11-C", "text": "数据泄露", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 数据泄露会引入多余假设或跳过关键前提；请以「欠拟合指模型未能捕捉数据规律，在训练集上表现就不好。」为轴对照 B。" }, { "id": "class-04-ml-q11-D", "text": "学习率过大", "isCorrect": false, "rationale": "学习率过大更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「模型在训练集和测试集上都表现不佳」「最可能的原因是」不一致。请以解析「欠拟合指模型未能捕捉数据规律，在训练集上表现就不好。」锁定 B。" } ], "sourceSnippet": "欠拟合指模型未能捕捉数据规律，在训练集上表现就不好。" }, { "id": "class-04-ml-q12", "number": 12, "kind": "single", "question": "以下哪个场景属于监督学习中的分类任务?", "hint": "A是回归任务，B是聚类(无监督)，D通常属于协同过滤或生成任务。…（可先想：哪一选项与该句直接矛盾？）", "options": [ { "id": "class-04-ml-q12-A", "text": "根据房屋面积、卧室数量预测房价", "isCorrect": false, "rationale": "根据房屋面积、卧室数量预测房价侧重的是另一个机制或层级：与材料中强调的「垃圾邮件判断是典型的二分类任务」「有明确的类别标签」不一致；解析核心是「垃圾邮件判断是典型的二分类任务，有明确的类别标签。A是回归任务，B是聚类(无监督)，D通常属于协同过滤或生成任务。」，因此更合适的是 C（根据邮件内容判断是否为垃圾邮件）。" }, { "id": "class-04-ml-q12-B", "text": "根据用户历史购买记录将用户分为不同群体", "isCorrect": false, "rationale": "从选项 B 的文面看不出与解析链条的一一对应：与材料中强调的「垃圾邮件判断是典型的二分类任务」「有明确的类别标签」不一致；而 C 才覆盖「垃圾邮件判断是典型的二分类任务，有明确的类别标签。A是回归任务，B是聚类(无监督)，D通常属于协同过滤或生成任务。」这层判断。" }, { "id": "class-04-ml-q12-C", "text": "根据邮件内容判断是否为垃圾邮件", "isCorrect": true, "rationale": "垃圾邮件判断是典型的二分类任务，有明确的类别标签。A是回归任务，B是聚类(无监督)，D通常属于协同过滤或生成任务。" }, { "id": "class-04-ml-q12-D", "text": "根据商品属性生成相似商品推荐", "isCorrect": false, "rationale": "根据商品属性生成相似商品推荐更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「垃圾邮件判断是典型的二分类任务」「有明确的类别标签」不一致。请以解析「垃圾邮件判断是典型的二分类任务，有明确的类别标签。A是回归任务，B是聚类(无监督)，D通常属于协同过滤或生成任务。」锁定 C。" } ], "sourceSnippet": "垃圾邮件判断是典型的二分类任务，有明确的类别标签。A是回归任务，B是聚类(无监督)，D通常属于协同过滤或生成任务。" }, { "id": "class-04-ml-q13", "number": 13, "kind": "single", "question": "损失函数的作用是", "hint": "损失函数量化预测误差，是优化目标。", "options": [ { "id": "class-04-ml-q13-A", "text": "衡量模型预测与真实值的差异", "isCorrect": true, "rationale": "损失函数量化预测误差，是优化目标。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q13-B", "text": "决定模型结构", "isCorrect": false, "rationale": "从选项 B 的文面看不出与解析链条的一一对应：与材料中强调的「损失函数的作用是」「损失函数量化预测误差」不一致；而 A 才覆盖「损失函数量化预测误差，是优化目标。」这层判断。" }, { "id": "class-04-ml-q13-C", "text": "控制学习率", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 控制学习率会引入多余假设或跳过关键前提；请以「损失函数量化预测误差，是优化目标。」为轴对照 A。" }, { "id": "class-04-ml-q13-D", "text": "初始化参数", "isCorrect": false, "rationale": "初始化参数更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「损失函数的作用是」「损失函数量化预测误差」不一致。请以解析「损失函数量化预测误差，是优化目标。」锁定 A。" } ], "sourceSnippet": "损失函数量化预测误差，是优化目标。" }, { "id": "class-04-ml-q14", "number": 14, "kind": "single", "question": "以下哪个场景属于监督学习中的回归任务?", "hint": "A和C是分类，D是无监督的关联规则挖掘。…（可先想：哪一选项与该句直接矛盾？）", "options": [ { "id": "class-04-ml-q14-A", "text": "识别图片中的动物是猫还是狗", "isCorrect": false, "rationale": "识别图片中的动物是猫还是狗侧重的是另一个机制或层级：与材料中强调的「股价预测输出是连续数值」「属于回归任务」不一致；解析核心是「股价预测输出是连续数值，属于回归任务。A和C是分类，D是无监督的关联规则挖掘。」，因此更合适的是 B（预测某股票明天的收盘价）。" }, { "id": "class-04-ml-q14-B", "text": "预测某股票明天的收盘价", "isCorrect": true, "rationale": "股价预测输出是连续数值，属于回归任务。A和C是分类，D是无监督的关联规则挖掘。" }, { "id": "class-04-ml-q14-C", "text": "将新闻文章自动归类为体育、财经、科技等", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 将新闻文章自动归类为体育、财经、科技等会引入多余假设或跳过关键前提；请以「股价预测输出是连续数值，属于回归任务。A和C是分类，D是无监督的关联规则挖掘。」为轴对照 B。" }, { "id": "class-04-ml-q14-D", "text": "根据用户行为发现购买模式", "isCorrect": false, "rationale": "根据用户行为发现购买模式更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「股价预测输出是连续数值」「属于回归任务」不一致。请以解析「股价预测输出是连续数值，属于回归任务。A和C是分类，D是无监督的关联规则挖掘。」锁定 B。" } ], "sourceSnippet": "股价预测输出是连续数值，属于回归任务。A和C是分类，D是无监督的关联规则挖掘。" }, { "id": "class-04-ml-q15", "number": 15, "kind": "single", "question": "以下哪个场景最适合使用无监督学习?", "hint": "A、C、D都需要带标签的数据进行监督学习。…（可先想：哪一选项与该句直接矛盾？）", "options": [ { "id": "class-04-ml-q15-A", "text": "手写数字识别", "isCorrect": false, "rationale": "手写数字识别侧重的是另一个机制或层级：与材料中强调的「用户分群是聚类任务」「不需要预先标注的类别标签」不一致；解析核心是「用户分群是聚类任务，不需要预先标注的类别标签。A、C、D都需要带标签的数据进行监督学习。」，因此更合适的是 B（电商平台根据用户购买记录将用户分群，以便个性化推荐）。" }, { "id": "class-04-ml-q15-B", "text": "电商平台根据用户购买记录将用户分群，以便个性化推荐", "isCorrect": true, "rationale": "用户分群是聚类任务，不需要预先标注的类别标签。A、C、D都需要带标签的数据进行监督学习。" }, { "id": "class-04-ml-q15-C", "text": "自动驾驶中的行人检测", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 自动驾驶中的行人检测会引入多余假设或跳过关键前提；请以「用户分群是聚类任务，不需要预先标注的类别标签。A、C、D都需要带标签的数据进行监督学习。」为轴对照 B。" }, { "id": "class-04-ml-q15-D", "text": "房价预测", "isCorrect": false, "rationale": "房价预测更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「用户分群是聚类任务」「不需要预先标注的类别标签」不一致。请以解析「用户分群是聚类任务，不需要预先标注的类别标签。A、C、D都需要带标签的数据进行监督学习。」锁定 B。" } ], "sourceSnippet": "用户分群是聚类任务，不需要预先标注的类别标签。A、C、D都需要带标签的数据进行监督学习。" }, { "id": "class-04-ml-q16", "number": 16, "kind": "single", "question": "在分类任务中，如果希望模型对错误分类施加更大的惩罚，可以", "hint": "加权损失函数可以给不同类别或样本赋予不同权重，以强调某些错误。", "options": [ { "id": "class-04-ml-q16-A", "text": "增大正则化系数", "isCorrect": false, "rationale": "增大正则化系数侧重的是另一个机制或层级：与材料中强调的「在分类任务中」「如果希望模型对错误分类施加更大的惩罚」不一致；解析核心是「加权损失函数可以给不同类别或样本赋予不同权重，以强调某些错误。」，因此更合适的是 B（使用加权损失函数）。" }, { "id": "class-04-ml-q16-B", "text": "使用加权损失函数", "isCorrect": true, "rationale": "加权损失函数可以给不同类别或样本赋予不同权重，以强调某些错误。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q16-C", "text": "增大学习率", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 增大学习率会引入多余假设或跳过关键前提；请以「加权损失函数可以给不同类别或样本赋予不同权重，以强调某些错误。」为轴对照 B。" }, { "id": "class-04-ml-q16-D", "text": "减少训练数据", "isCorrect": false, "rationale": "减少训练数据更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「在分类任务中」「如果希望模型对错误分类施加更大的惩罚」不一致。请以解析「加权损失函数可以给不同类别或样本赋予不同权重，以强调某些错误。」锁定 B。" } ], "sourceSnippet": "加权损失函数可以给不同类别或样本赋予不同权重，以强调某些错误。" }, { "id": "class-04-ml-q17", "number": 17, "kind": "single", "question": "损失函数与目标函数的关系是", "hint": "目标函数通常包含损失函数和正则化项，优化目标是整体最小化。", "options": [ { "id": "class-04-ml-q17-A", "text": "完全等同", "isCorrect": false, "rationale": "完全等同侧重的是另一个机制或层级：与材料中强调的「损失函数与目标函数的关系是」「目标函数通常包含损失函数和正则化项」不一致；解析核心是「目标函数通常包含损失函数和正则化项，优化目标是整体最小化。」，因此更合适的是 B（目标函数 = 损失函数 + 正则化项）。" }, { "id": "class-04-ml-q17-B", "text": "目标函数 = 损失函数 + 正则化项", "isCorrect": true, "rationale": "目标函数通常包含损失函数和正则化项，优化目标是整体最小化。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q17-C", "text": "损失函数 = 目标函数 + 正则化项", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 损失函数 = 目标函数 + 正则化项会引入多余假设或跳过关键前提；请以「目标函数通常包含损失函数和正则化项，优化目标是整体最小化。」为轴对照 B。" }, { "id": "class-04-ml-q17-D", "text": "两者无关", "isCorrect": false, "rationale": "两者无关更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「损失函数与目标函数的关系是」「目标函数通常包含损失函数和正则化项」不一致。请以解析「目标函数通常包含损失函数和正则化项，优化目标是整体最小化。」锁定 B。" } ], "sourceSnippet": "目标函数通常包含损失函数和正则化项，优化目标是整体最小化。" }, { "id": "class-04-ml-q18", "number": 18, "kind": "single", "question": "在梯度下降算法中，学习率的作用是", "hint": "学习率控制沿负梯度方向移动的幅度，即步长大小。", "options": [ { "id": "class-04-ml-q18-A", "text": "决定参数更新的方向", "isCorrect": false, "rationale": "决定参数更新的方向侧重的是另一个机制或层级：与材料中强调的「在梯度下降算法中」「学习率的作用是」不一致；解析核心是「学习率控制沿负梯度方向移动的幅度，即步长大小。」，因此更合适的是 B（决定参数更新的步长）。" }, { "id": "class-04-ml-q18-B", "text": "决定参数更新的步长", "isCorrect": true, "rationale": "学习率控制沿负梯度方向移动的幅度，即步长大小。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q18-C", "text": "决定损失函数的形状", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 决定损失函数的形状会引入多余假设或跳过关键前提；请以「学习率控制沿负梯度方向移动的幅度，即步长大小。」为轴对照 B。" }, { "id": "class-04-ml-q18-D", "text": "决定正则化强度", "isCorrect": false, "rationale": "决定正则化强度更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「在梯度下降算法中」「学习率的作用是」不一致。请以解析「学习率控制沿负梯度方向移动的幅度，即步长大小。」锁定 B。" } ], "sourceSnippet": "学习率控制沿负梯度方向移动的幅度，即步长大小。" }, { "id": "class-04-ml-q19", "number": 19, "kind": "single", "question": "以下哪个场景最适合使用强化学习?", "hint": "A和D是监督学习，B是回归。…（可先想：哪一选项与该句直接矛盾？）", "options": [ { "id": "class-04-ml-q19-A", "text": "识别图片中的交通标志", "isCorrect": false, "rationale": "识别图片中的交通标志侧重的是另一个机制或层级：与材料中强调的「通过与环境」「根据胜负获得奖励来学习策略」不一致；解析核心是「围棋AI通过与环境(棋盘)交互、根据胜负获得奖励来学习策略，是强化学习的经典应用。A和D是监督学习，B是回归。」，因此更合适的是 C（训练一个AI玩围棋游戏）。" }, { "id": "class-04-ml-q19-B", "text": "根据历史数据预测销售额", "isCorrect": false, "rationale": "从选项 B 的文面看不出与解析链条的一一对应：与材料中强调的「通过与环境」「根据胜负获得奖励来学习策略」不一致；而 C 才覆盖「围棋AI通过与环境(棋盘)交互、根据胜负获得奖励来学习策略，是强化学习的经典应用。A和D是监督学习，B是回归。」这层判断。" }, { "id": "class-04-ml-q19-C", "text": "训练一个AI玩围棋游戏", "isCorrect": true, "rationale": "围棋AI通过与环境(棋盘)交互、根据胜负获得奖励来学习策略，是强化学习的经典应用。A和D是监督学习，B是回归。" }, { "id": "class-04-ml-q19-D", "text": "将文档自动分类", "isCorrect": false, "rationale": "将文档自动分类更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「通过与环境」「根据胜负获得奖励来学习策略」不一致。请以解析「围棋AI通过与环境(棋盘)交互、根据胜负获得奖励来学习策略，是强化学习的经典应用。A和D是监督学习，B是回归。」锁定 C。" } ], "sourceSnippet": "围棋AI通过与环境(棋盘)交互、根据胜负获得奖励来学习策略，是强化学习的经典应用。A和D是监督学习，B是回归。" }, { "id": "class-04-ml-q20", "number": 20, "kind": "single", "question": "在梯度下降中，如果损失函数值震荡剧烈且不下降，最可能的原因是", "hint": "学习率过大导致参数更新越过最优点，引起震荡或发散。", "options": [ { "id": "class-04-ml-q20-A", "text": "学习率过小", "isCorrect": false, "rationale": "学习率过小侧重的是另一个机制或层级：与材料中强调的「在梯度下降中」「如果损失函数值震荡剧烈且不下降」不一致；解析核心是「学习率过大导致参数更新越过最优点，引起震荡或发散。」，因此更合适的是 B（学习率过大）。" }, { "id": "class-04-ml-q20-B", "text": "学习率过大", "isCorrect": true, "rationale": "学习率过大导致参数更新越过最优点，引起震荡或发散。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q20-C", "text": "正则化过强", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 正则化过强会引入多余假设或跳过关键前提；请以「学习率过大导致参数更新越过最优点，引起震荡或发散。」为轴对照 B。" }, { "id": "class-04-ml-q20-D", "text": "数据未归一化", "isCorrect": false, "rationale": "数据未归一化更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「在梯度下降中」「如果损失函数值震荡剧烈且不下降」不一致。请以解析「学习率过大导致参数更新越过最优点，引起震荡或发散。」锁定 B。" } ], "sourceSnippet": "学习率过大导致参数更新越过最优点，引起震荡或发散。" }, { "id": "class-04-ml-q21", "number": 21, "kind": "single", "question": "以下关于监督学习和无监督学习的描述，正确的是", "hint": "聚类是无监督学习的核心任务。…（可先想：题干最强调的判据是哪一条？）", "options": [ { "id": "class-04-ml-q21-A", "text": "监督学习不需要标签数据", "isCorrect": false, "rationale": "监督学习不需要标签数据侧重的是另一个机制或层级：与材料中强调的「以下关于监督学习和无监督学习的描述」「正确的是」不一致；解析核心是「聚类是无监督学习的核心任务。A错误，监督学习需要标签;B错误，无监督学习不预测标签;D错误，回归属于监督学习。」，因此更合适的是 C（聚类是无监督学习的典型任务）。" }, { "id": "class-04-ml-q21-B", "text": "无监督学习的目标是预测未知标签", "isCorrect": false, "rationale": "从选项 B 的文面看不出与解析链条的一一对应：与材料中强调的「以下关于监督学习和无监督学习的描述」「正确的是」不一致；而 C 才覆盖「聚类是无监督学习的核心任务。A错误，监督学习需要标签;B错误，无监督学习不预测标签;D错误，回归属于监督学习。」这层判断。" }, { "id": "class-04-ml-q21-C", "text": "聚类是无监督学习的典型任务", "isCorrect": true, "rationale": "聚类是无监督学习的核心任务。A错误，监督学习需要标签;B错误，无监督学习不预测标签;D错误，回归属于监督学习。" }, { "id": "class-04-ml-q21-D", "text": "回归是无监督学习的典型任务", "isCorrect": false, "rationale": "回归是无监督学习的典型任务更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「以下关于监督学习和无监督学习的描述」「正确的是」不一致。请以解析「聚类是无监督学习的核心任务。A错误，监督学习需要标签;B错误，无监督学习不预测标签;D错误，回归属于监督学习。」锁定 C。" } ], "sourceSnippet": "聚类是无监督学习的核心任务。A错误，监督学习需要标签;B错误，无监督学习不预测标签;D错误，回归属于监督学习。" }, { "id": "class-04-ml-q22", "number": 22, "kind": "single", "question": "场景:你有一批客户数据，包含年龄、收入、消费频率等字段，但没有客户是否流失的标签。你想将客户分为高价值、中价值、低价值三组，以便制定不同营销策略。这属于", "hint": "分类需要有明确的目标标签，此处没有。…（可先想：哪一选项与该句直接矛盾？）", "options": [ { "id": "class-04-ml-q22-A", "text": "分类任务(监督学习)", "isCorrect": false, "rationale": "分类任务(监督学习)侧重的是另一个机制或层级：与材料中强调的「你有一批客户数据」「包含年龄」不一致；解析核心是「在无标签的情况下将客户分组，属于聚类任务。分类需要有明确的目标标签，此处没有。」，因此更合适的是 C（聚类任务(无监督学习)）。" }, { "id": "class-04-ml-q22-B", "text": "回归任务(监督学习)", "isCorrect": false, "rationale": "从选项 B 的文面看不出与解析链条的一一对应：与材料中强调的「你有一批客户数据」「包含年龄」不一致；而 C 才覆盖「在无标签的情况下将客户分组，属于聚类任务。分类需要有明确的目标标签，此处没有。」这层判断。" }, { "id": "class-04-ml-q22-C", "text": "聚类任务(无监督学习)", "isCorrect": true, "rationale": "在无标签的情况下将客户分组，属于聚类任务。分类需要有明确的目标标签，此处没有。" }, { "id": "class-04-ml-q22-D", "text": "降维任务(无监督学习)", "isCorrect": false, "rationale": "降维任务(无监督学习)更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「你有一批客户数据」「包含年龄」不一致。请以解析「在无标签的情况下将客户分组，属于聚类任务。分类需要有明确的目标标签，此处没有。」锁定 C。" } ], "sourceSnippet": "在无标签的情况下将客户分组，属于聚类任务。分类需要有明确的目标标签，此处没有。" }, { "id": "class-04-ml-q23", "number": 23, "kind": "single", "question": "以下哪个是模型参数，而非超参数?", "hint": "学习率、正则化系数、网络结构都是超参数。…（可先想：哪一选项与该句直接矛盾？）", "options": [ { "id": "class-04-ml-q23-A", "text": "学习率", "isCorrect": false, "rationale": "学习率侧重的是另一个机制或层级：与材料中强调的「而非超参数」「权重是训练过程中自动学习的模型参数」不一致；解析核心是「权重是训练过程中自动学习的模型参数。学习率、正则化系数、网络结构都是超参数。」，因此更合适的是 B（神经网络各层的权重）。" }, { "id": "class-04-ml-q23-B", "text": "神经网络各层的权重", "isCorrect": true, "rationale": "权重是训练过程中自动学习的模型参数。学习率、正则化系数、网络结构都是超参数。" }, { "id": "class-04-ml-q23-C", "text": "L2正则化系数", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 L2正则化系数会引入多余假设或跳过关键前提；请以「权重是训练过程中自动学习的模型参数。学习率、正则化系数、网络结构都是超参数。」为轴对照 B。" }, { "id": "class-04-ml-q23-D", "text": "隐藏层神经元数量", "isCorrect": false, "rationale": "隐藏层神经元数量更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「而非超参数」「权重是训练过程中自动学习的模型参数」不一致。请以解析「权重是训练过程中自动学习的模型参数。学习率、正则化系数、网络结构都是超参数。」锁定 B。" } ], "sourceSnippet": "权重是训练过程中自动学习的模型参数。学习率、正则化系数、网络结构都是超参数。" }, { "id": "class-04-ml-q24", "number": 24, "kind": "single", "question": "超参数的确定通常通过", "hint": "超参数通过验证集性能进行选择，不能利用测试集，也不能从训练数据直接学习。", "options": [ { "id": "class-04-ml-q24-A", "text": "梯度下降自动学习", "isCorrect": false, "rationale": "梯度下降自动学习侧重的是另一个机制或层级：与材料中强调的「超参数的确定通常通过」「超参数通过验证集性能进行选择」不一致；解析核心是「超参数通过验证集性能进行选择，不能利用测试集，也不能从训练数据直接学习。」，因此更合适的是 B（在验证集上评估并选择）。" }, { "id": "class-04-ml-q24-B", "text": "在验证集上评估并选择", "isCorrect": true, "rationale": "超参数通过验证集性能进行选择，不能利用测试集，也不能从训练数据直接学习。" }, { "id": "class-04-ml-q24-C", "text": "随机初始化后固定", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 随机初始化后固定会引入多余假设或跳过关键前提；请以「超参数通过验证集性能进行选择，不能利用测试集，也不能从训练数据直接学习。」为轴对照 B。" }, { "id": "class-04-ml-q24-D", "text": "在测试集上直接优化", "isCorrect": false, "rationale": "在测试集上直接优化更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「超参数的确定通常通过」「超参数通过验证集性能进行选择」不一致。请以解析「超参数通过验证集性能进行选择，不能利用测试集，也不能从训练数据直接学习。」锁定 B。" } ], "sourceSnippet": "超参数通过验证集性能进行选择，不能利用测试集，也不能从训练数据直接学习。" }, { "id": "class-04-ml-q25", "number": 25, "kind": "single", "question": "以下关于模型参数的说法，正确的是", "hint": "模型参数在训练开始时初始化，然后通过优化算法迭代更新。", "options": [ { "id": "class-04-ml-q25-A", "text": "训练前随机初始化，训练过程中不断更新", "isCorrect": true, "rationale": "模型参数在训练开始时初始化，然后通过优化算法迭代更新。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q25-B", "text": "训练过程中保持不变", "isCorrect": false, "rationale": "从选项 B 的文面看不出与解析链条的一一对应：与材料中强调的「以下关于模型参数的说法」「正确的是」不一致；而 A 才覆盖「模型参数在训练开始时初始化，然后通过优化算法迭代更新。」这层判断。" }, { "id": "class-04-ml-q25-C", "text": "由用户根据经验直接指定", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 由用户根据经验直接指定会引入多余假设或跳过关键前提；请以「模型参数在训练开始时初始化，然后通过优化算法迭代更新。」为轴对照 A。" }, { "id": "class-04-ml-q25-D", "text": "仅包含偏置项", "isCorrect": false, "rationale": "仅包含偏置项更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「以下关于模型参数的说法」「正确的是」不一致。请以解析「模型参数在训练开始时初始化，然后通过优化算法迭代更新。」锁定 A。" } ], "sourceSnippet": "模型参数在训练开始时初始化，然后通过优化算法迭代更新。" }, { "id": "class-04-ml-q26", "number": 26, "kind": "single", "question": "当模型发生欠拟合时，以下哪种超参数调整可能有效?", "hint": "欠拟合是因为模型容量不足，增加容量可以提升拟合能力。", "options": [ { "id": "class-04-ml-q26-A", "text": "增大正则化系数", "isCorrect": false, "rationale": "增大正则化系数侧重的是另一个机制或层级：与材料中强调的「当模型发生欠拟合时」「欠拟合是因为模型容量不足」不一致；解析核心是「欠拟合是因为模型容量不足，增加容量可以提升拟合能力。」，因此更合适的是 C（增加模型容量(如增加隐藏单元)）。" }, { "id": "class-04-ml-q26-B", "text": "减小学习率", "isCorrect": false, "rationale": "从选项 B 的文面看不出与解析链条的一一对应：与材料中强调的「当模型发生欠拟合时」「欠拟合是因为模型容量不足」不一致；而 C 才覆盖「欠拟合是因为模型容量不足，增加容量可以提升拟合能力。」这层判断。" }, { "id": "class-04-ml-q26-C", "text": "增加模型容量(如增加隐藏单元)", "isCorrect": true, "rationale": "欠拟合是因为模型容量不足，增加容量可以提升拟合能力。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q26-D", "text": "减少训练轮数", "isCorrect": false, "rationale": "减少训练轮数更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「当模型发生欠拟合时」「欠拟合是因为模型容量不足」不一致。请以解析「欠拟合是因为模型容量不足，增加容量可以提升拟合能力。」锁定 C。" } ], "sourceSnippet": "欠拟合是因为模型容量不足，增加容量可以提升拟合能力。" }, { "id": "class-04-ml-q27", "number": 27, "kind": "single", "question": "场景:你希望训练一个模型，根据肿瘤大小、厚度、细胞形态等特征判断肿瘤是良性还是恶性。你拥有大量已标注的病例数据。这属于", "hint": "有明确的标签(良性/恶性)，且输出为离散类别，是二分类任务，属于监督学习。", "options": [ { "id": "class-04-ml-q27-A", "text": "无监督学习", "isCorrect": false, "rationale": "无监督学习侧重的是另一个机制或层级：与材料中强调的「你希望训练一个模型」「根据肿瘤大小」不一致；解析核心是「有明确的标签(良性/恶性)，且输出为离散类别，是二分类任务，属于监督学习。」，因此更合适的是 B（监督学习中的分类任务）。" }, { "id": "class-04-ml-q27-B", "text": "监督学习中的分类任务", "isCorrect": true, "rationale": "有明确的标签(良性/恶性)，且输出为离散类别，是二分类任务，属于监督学习。" }, { "id": "class-04-ml-q27-C", "text": "监督学习中的回归任务", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 监督学习中的回归任务会引入多余假设或跳过关键前提；请以「有明确的标签(良性/恶性)，且输出为离散类别，是二分类任务，属于监督学习。」为轴对照 B。" }, { "id": "class-04-ml-q27-D", "text": "强化学习", "isCorrect": false, "rationale": "强化学习更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「你希望训练一个模型」「根据肿瘤大小」不一致。请以解析「有明确的标签(良性/恶性)，且输出为离散类别，是二分类任务，属于监督学习。」锁定 B。" } ], "sourceSnippet": "有明确的标签(良性/恶性)，且输出为离散类别，是二分类任务，属于监督学习。" }, { "id": "class-04-ml-q28", "number": 28, "kind": "single", "question": "场景:你正在开发一个房价预测模型，有1000条带标签的数据。你希望评估不同正则化强度对泛化能力的影响，你应该使用什么数据来比较?", "hint": "超参数选择应使用验证集，可从训练集中划分出验证集，避免对测试集过拟合。", "options": [ { "id": "class-04-ml-q28-A", "text": "全部1000条数据", "isCorrect": false, "rationale": "全部1000条数据侧重的是另一个机制或层级：与材料中强调的「你正在开发一个房价预测模型」「条带标签的数据」不一致；解析核心是「超参数选择应使用验证集，可从训练集中划分出验证集，避免对测试集过拟合。」，因此更合适的是 B（训练集的一部分作为验证集）。" }, { "id": "class-04-ml-q28-B", "text": "训练集的一部分作为验证集", "isCorrect": true, "rationale": "超参数选择应使用验证集，可从训练集中划分出验证集，避免对测试集过拟合。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q28-C", "text": "测试集", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 测试集会引入多余假设或跳过关键前提；请以「超参数选择应使用验证集，可从训练集中划分出验证集，避免对测试集过拟合。」为轴对照 B。" }, { "id": "class-04-ml-q28-D", "text": "原始数据集的子集", "isCorrect": false, "rationale": "原始数据集的子集更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「你正在开发一个房价预测模型」「条带标签的数据」不一致。请以解析「超参数选择应使用验证集，可从训练集中划分出验证集，避免对测试集过拟合。」锁定 B。" } ], "sourceSnippet": "超参数选择应使用验证集，可从训练集中划分出验证集，避免对测试集过拟合。" }, { "id": "class-04-ml-q29", "number": 29, "kind": "single", "question": "场景:训练图像分类模型时，损失曲线在训练初期下降很快，但随后开始波动且不再下降。你怀疑学习率设置不合理，最可能的问题是", "hint": "初期下降快说明梯度大，后期震荡不下降说明步长过大，导致在最优点附近反复跳过。", "options": [ { "id": "class-04-ml-q29-A", "text": "学习率过大", "isCorrect": true, "rationale": "初期下降快说明梯度大，后期震荡不下降说明步长过大，导致在最优点附近反复跳过。" }, { "id": "class-04-ml-q29-B", "text": "学习率过小", "isCorrect": false, "rationale": "从选项 B 的文面看不出与解析链条的一一对应：与材料中强调的「训练图像分类模型时」「损失曲线在训练初期下降很快」不一致；而 A 才覆盖「初期下降快说明梯度大，后期震荡不下降说明步长过大，导致在最优点附近反复跳过。」这层判断。" }, { "id": "class-04-ml-q29-C", "text": "学习率衰减过快", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 学习率衰减过快会引入多余假设或跳过关键前提；请以「初期下降快说明梯度大，后期震荡不下降说明步长过大，导致在最优点附近反复跳过。」为轴对照 A。" }, { "id": "class-04-ml-q29-D", "text": "学习率不是超参数", "isCorrect": false, "rationale": "学习率不是超参数更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「训练图像分类模型时」「损失曲线在训练初期下降很快」不一致。请以解析「初期下降快说明梯度大，后期震荡不下降说明步长过大，导致在最优点附近反复跳过。」锁定 A。" } ], "sourceSnippet": "初期下降快说明梯度大，后期震荡不下降说明步长过大，导致在最优点附近反复跳过。" }, { "id": "class-04-ml-q30", "number": 30, "kind": "single", "question": "场景:你使用逻辑回归进行垃圾邮件分类，发现模型在训练集上准确率95%，在测试集上只有80%。你尝试增加L2正则化系数后，训练准确率降至92%，测试准确率升至85%。这说明", "hint": "训练与测试准确率差距缩小，且测试性能提升，说明正则化有效抑制了过拟合。", "options": [ { "id": "class-04-ml-q30-A", "text": "初始模型欠拟合", "isCorrect": false, "rationale": "初始模型欠拟合侧重的是另一个机制或层级：与材料中强调的「你使用逻辑回归进行垃圾邮件分类」「发现模型在训练集上准确率」不一致；解析核心是「训练与测试准确率差距缩小，且测试性能提升，说明正则化有效抑制了过拟合。」，因此更合适的是 B（初始模型过拟合，正则化有效缓解）。" }, { "id": "class-04-ml-q30-B", "text": "初始模型过拟合，正则化有效缓解", "isCorrect": true, "rationale": "训练与测试准确率差距缩小，且测试性能提升，说明正则化有效抑制了过拟合。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q30-C", "text": "数据泄露导致", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 数据泄露导致会引入多余假设或跳过关键前提；请以「训练与测试准确率差距缩小，且测试性能提升，说明正则化有效抑制了过拟合。」为轴对照 B。" }, { "id": "class-04-ml-q30-D", "text": "学习率需要调整", "isCorrect": false, "rationale": "学习率需要调整更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「你使用逻辑回归进行垃圾邮件分类」「发现模型在训练集上准确率」不一致。请以解析「训练与测试准确率差距缩小，且测试性能提升，说明正则化有效抑制了过拟合。」锁定 B。" } ], "sourceSnippet": "训练与测试准确率差距缩小，且测试性能提升，说明正则化有效抑制了过拟合。" }, { "id": "class-04-ml-q31", "number": 31, "kind": "single", "question": "场景:在电商推荐系统中，你构建了用户点击率预测模型，特征包括用户历史行为、商品属性等。你希望比较不同优化器(SGD vs Adam)的效果，应使用什么数据来评估?", "hint": "优化器选择也属于超参数选择，应在验证集上比较。", "options": [ { "id": "class-04-ml-q31-A", "text": "训练集", "isCorrect": false, "rationale": "训练集侧重的是另一个机制或层级：与材料中强调的「在电商推荐系统中」「你构建了用户点击率预测模型」不一致；解析核心是「优化器选择也属于超参数选择，应在验证集上比较。」，因此更合适的是 B（验证集）。" }, { "id": "class-04-ml-q31-B", "text": "验证集", "isCorrect": true, "rationale": "优化器选择也属于超参数选择，应在验证集上比较。 请回到题干限定条件：把「外延更大的表述」或「跳跃的前提」逐项排除后再选。" }, { "id": "class-04-ml-q31-C", "text": "测试集", "isCorrect": false, "rationale": "易混点往往在概念边界：此处 测试集会引入多余假设或跳过关键前提；请以「优化器选择也属于超参数选择，应在验证集上比较。」为轴对照 B。" }, { "id": "class-04-ml-q31-D", "text": "全部数据", "isCorrect": false, "rationale": "全部数据更像干扰项的常见套路（扩大/偷换适用范围）；与材料中强调的「在电商推荐系统中」「你构建了用户点击率预测模型」不一致。请以解析「优化器选择也属于超参数选择，应在验证集上比较。」锁定 B。" } ], "sourceSnippet": "优化器选择也属于超参数选择，应在验证集上比较。" } ] }