简介这份资源是面向正在准备机器学习期末考试的学生整理的复习题库以选择题形式覆盖监督学习、无监督学习、深度学习与模型评估等核心考点适合已完成课程学习、希望通过刷题查漏补缺的备考者。压缩包内共1个docx文件约23KB内容按基础概念、算法与模型、模型评估与优化、深度学习等模块编排包含线性回归、决策树、SVM、KNN、CNN、RNN等常见算法的选择题及参考答案并附有复习建议。目前已有482人学习下载。读者可借助题库系统回顾机器学习的定义、监督与无监督学习的区别、精确率与召回率、过拟合与正则化等高频知识点通过逐题理解选项背后的原理发现知识盲点再结合错题分析与限时模拟测试适应考试节奏从而提升应试信心与复习效率。1. 机器学习期末复习题库选择题及答案到底该怎么用才不白刷期末前两周图书馆里最常见的一幕是有人把一份几百道的机器学习选择题题库打印出来从第一页开始刷刷完对答案错的划个圈然后接着刷下一份。成绩出来该错的还是错。问题不在题量在于这份题库被当成了背诵材料而不是诊断工具。机器学习期末复习题库里的选择题考的不是你记没记住某个定义而是你能不能在一堆长得差不多的选项里判断出哪个说法在边界条件下依然成立。这背后是概念辨析、公式适用条件和常见误区的综合考察。这份题库适合两类人一类是已经过了一遍课件、想快速定位自己知识漏洞的另一类是时间紧、想用最短路径覆盖高频考点的。但前提是你得知道每道题在考什么以及错了之后该回去补哪一块而不是只记一个正确选项的字母。2. 选择题的四个高频考区从题干关键词反推知识模块2.1 监督学习与无监督学习的边界题怎么判断题库里出现频率最高的一类题是给你一个场景描述让你判断属于监督、无监督还是半监督。很多人栽在“有标签但标签不完整”这种描述上。判断标准其实只有一条训练时是否使用了样本的真实标签来调整模型参数。如果用了就是监督完全没用是无监督用了一部分是半监督。强化学习容易被误选成无监督因为它没有即时标签但它有奖励信号奖励信号本质上是一种延迟的、稀疏的监督信息所以它既不是典型的监督也不是无监督考试里通常单独作为一类。看一道典型题题目某电商平台根据用户历史购买记录将用户分成若干群体 每个群体内的用户购买行为相似但平台事先并不知道有哪些群体。 这属于以下哪种学习范式 A. 监督学习 B. 无监督学习 C. 半监督学习 D. 强化学习答案是 B。题干里“事先并不知道有哪些群体”是关键说明没有预设标签聚类属于无监督。如果题干改成“平台已标注了部分用户的群体归属想预测剩余用户”那就是半监督。这类题的坑在于选项里往往有一个“聚类”或“降维”的干扰项你要先判断学习范式再看具体算法。2.2 偏差方差权衡题的选项陷阱偏差方差是选择题的重灾区。题目通常给你一个模型表现描述让你判断是高偏差还是高方差或者问你怎么调整。核心判断依据是训练误差和验证误差的关系。训练误差高、验证误差也高且两者接近是高偏差模型欠拟合训练误差低、验证误差高两者差距大是高方差模型过拟合。题库里常把“增加训练数据”和“增加模型复杂度”放在一起让你选前者对高方差有效后者对高偏差有效选反了就错。题目某模型在训练集上准确率 99%在验证集上准确率 72%。 以下哪种做法最可能提升验证集表现 A. 增加模型参数数量 B. 增加训练样本数量 C. 减少正则化强度 D. 增加多项式特征阶数答案是 B。训练和验证差距大典型高方差增加数据是最直接的缓解方式。A、C、D 都会进一步增加模型复杂度让过拟合更严重。这类题你只要抓住“训练-验证差距”这个信号基本不会选错。2.3 损失函数与优化器的匹配题这类题考的是你对损失函数适用场景的敏感度。均方误差用于回归交叉熵用于分类合页损失用于 SVM这是基本功。但选择题会在这里设更细的坑比如“多分类任务中softmax 配合什么损失函数”和“二分类任务中sigmoid 配合什么损失函数”。答案分别是交叉熵和二元交叉熵但选项里会混入均方误差说“均方误差也可以用于分类”这在理论上有变体但考试语境下通常认为分类任务默认用交叉熵。# 多分类交叉熵的典型调用考试里常考参数含义 import torch import torch.nn as nn criterion nn.CrossEntropyLoss() # 注意CrossEntropyLoss 内部已经包含 softmax # 所以模型最后一层不要再加 softmax否则等于做了两次 logits torch.randn(4, 10) # 4 个样本10 个类别 targets torch.tensor([3, 7, 1, 9]) loss criterion(logits, targets) print(loss.item())这段代码对应的考点是CrossEntropyLoss 的输入是未经过 softmax 的 logitstarget 是类别索引而不是 one-hot。题库里经常把“输入需要先 softmax”作为错误选项来考你。参数上reduction默认是mean如果题目问“对 batch 内每个样本的损失求和”就要改成sum。2.4 正则化与特征选择的辨析题L1 和 L2 正则化的区别是必考项。L1 倾向于产生稀疏解可以做特征选择L2 倾向于让权重整体变小防止过拟合但不稀疏。选择题会问“哪种正则化更适合高维稀疏特征”答案是 L1。还会问“弹性网络结合了哪两种”答案是 L1 和 L2。这里有个容易翻车的点L1 的稀疏性在零点不可导所以优化时常用近端梯度法或坐标下降而不是直接梯度下降。题库里如果出现“L1 正则化可以用标准梯度下降直接优化”这种选项直接判错。正则化类型稀疏性优化方法典型适用场景L1强可产生零权重坐标下降、近端梯度高维特征选择L2弱权重整体缩小标准梯度下降防止过拟合弹性网络中等介于两者之间近端梯度特征相关性强时这张表建议直接记选择题里关于正则化的对比基本跑不出这个范围。3. 从题库反推复习路径三步定位你的薄弱模块3.1 第一遍刷题只做标记不记答案很多人刷题的习惯是边做边对答案错了立刻看解析然后觉得自己会了。这个流程的问题在于你记住的是“这道题的答案是 B”而不是“这类题的判断逻辑是什么”。正确的做法是第一遍只做题把不确定的题和完全不会的题分别用不同符号标出来不对答案。做完一个章节后统计两类题的比例。不确定但选对了的题往往比选错的题更危险因为你的知识是模糊的换个问法就会错。建议的标记方式 ○ 完全不会纯蒙 △ 能排除两个选项但剩下两个拿不准 √ 确定知道为什么选这个 × 选完就知道错了第一遍结束后你得到一张分布图。如果 ○ 和 △ 集中在某几个章节那就是你接下来要重点补的地方而不是从头再看一遍课件。3.2 第二遍只做标记题每道题写一句话理由第二遍只做第一遍标记为 ○ 和 △ 的题。这次要求自己在每个选项旁边写一句话说明为什么选它或者为什么不选它。比如对于“高偏差”的题你要写“训练误差和验证误差都高且接近所以是高偏差”。写不出来说明这个知识点你只是眼熟没有真正理解。这一步很慢但它是把题库从“判断题”变成“诊断题”的关键。示例题目问“以下哪种方法不能缓解过拟合” A. 增加训练数据 → 能缓解数据多了模型更难记住噪声 B. 降低模型复杂度 → 能缓解参数少了拟合能力下降 C. 增加特征数量 → 不能缓解特征多了更容易过拟合 D. 使用 Dropout → 能缓解随机丢弃神经元相当于集成写理由的过程就是你把分散的知识点串成判断链的过程。考试时遇到新题你调用的不是记忆而是这条判断链。3.3 第三遍限时模拟重点看错题的知识点归属第三遍按考试时间限时做整套题模拟真实节奏。做完后不要只看分数而是把错题按知识点归类。比如错了三道关于 SVM 的题那就回去看 SVM 的间隔、支持向量、核函数这三个点。如果错了三道关于评估指标的题就回去看准确率、精确率、召回率、F1 的定义和适用场景。这一步的目的是把“错题”转化成“知识模块”然后针对模块做集中复习而不是继续刷下一套题。提示题库里的选择题答案本身价值有限真正有价值的是你错题背后的知识缺口。把错题当索引而不是当结论。4. 避坑刷机器学习选择题时最容易翻车的五个地方4.1 把“准确率”当成万能指标现象题目问“类别不平衡时应该用什么指标”你选了准确率因为平时做题准确率出现频率最高。原因准确率在类别不平衡时会偏向多数类比如 99% 的样本是负类全预测负类也有 99% 准确率但召回率为 0。解决看到“类别不平衡”四个字优先想精确率、召回率、F1 或 AUC不要选准确率。4.2 混淆“参数”和“超参数”现象题目问“以下哪个是超参数”你选了权重因为权重也是模型的一部分。原因权重是通过训练数据学出来的属于参数超参数是训练前人为设定的比如学习率、正则化系数、树的深度。解决记住一条训练过程中会变的叫参数训练前定好的叫超参数。选择题里常把“学习率”和“权重”放一起考。4.3 忽略“训练集/验证集/测试集”的划分逻辑现象题目问“用测试集调参有什么问题”你选了“没问题测试集就是用来评估的”。原因测试集只能用来最终评估一次如果反复用它调参模型就间接看到了测试集信息评估结果会偏乐观。解决调参用验证集测试集只在最后用一次。题库里如果出现“用测试集选择最优模型”的选项直接判错。4.4 把“生成模型”和“判别模型”的边界记反现象题目问“朴素贝叶斯属于哪类模型”你选了判别模型。原因朴素贝叶斯建模的是联合概率 P(X,Y)然后通过贝叶斯定理求 P(Y|X)属于生成模型逻辑回归直接建模 P(Y|X)属于判别模型。解决记住“生成建模联合判别建模条件”。常见生成模型朴素贝叶斯、高斯混合、隐马尔可夫常见判别模型逻辑回归、SVM、决策树。4.5 对“过拟合”的解决手段张冠李戴现象题目问“以下哪种方法不能解决过拟合”你选了“增加训练数据”因为你觉得数据多了模型更复杂。原因增加训练数据是缓解过拟合最直接的方法之一数据越多模型越难记住所有噪声。解决缓解过拟合的手段包括增加数据、降低模型复杂度、正则化、Dropout、早停、集成加重过拟合的手段包括增加特征、增加模型层数、减少正则化。选择题里常把这两组混在一起。5. 用错题本把选择题变成得分点一个可复用的复盘模板最后一章说一个我自己的习惯。每次刷完一套机器学习选择题我不会只对答案而是把错题按下面的模板整理一遍。这个模板不复杂但坚持用选择题的正确率会明显上来。错题编号 题干关键词 我的选择 正确答案 错误原因选一个 A. 概念记反了 B. 边界条件没看清 C. 两个选项之间犹豫选错了 D. 完全没学过这个点 对应知识点 一句话纠正这个模板的关键在“错误原因”那一栏。如果是 A就回去翻课件把概念重新理一遍如果是 B就专门练审题把题干里的“不属于”“最不可能”“在以下哪种情况下”圈出来如果是 C说明你对两个易混点的区分标准还不清晰要把它们放在一起对比如果是 D那就直接补那个知识点不用犹豫。我自己的血泪经验是选择题丢分最多的不是完全不会的题而是 B 和 C 这两类。完全不会的题你反而会认真对待但“看漏了一个字”或者“两个选项感觉都对”这种错很容易被归结为粗心然后下次继续错。用这个模板强制自己写错误原因写多了就会发现所谓粗心其实是判断标准不清晰。再给一个进阶用法把同一知识点的错题放在一起自己出几道变体题。比如你错了三道关于偏差方差的题就自己改题干把“训练误差低、验证误差高”改成“训练误差高、验证误差高”然后自己判断答案变没变。能自己出题说明你真的掌握了这个知识点的边界。注意错题本不是抄题本不要花时间把题目和选项完整抄下来。只记关键词和你的判断逻辑复习时看的是逻辑不是原题。最后说一个验证方法。考前三天把你错题本上的“一句话纠正”遮住只看题干关键词看自己能不能说出正确判断和理由。能说出来的过说不出来的再回去看。这个方法比重新刷一遍题库快得多而且针对的都是你真正薄弱的地方。希望帮到你。本文还有配套的精品资源点击获取