简介：这是一份面向机器学习课程期末复习的单选题题库，适合高校本科生、考研学生以及需要系统梳理算法基础的入门者自测使用。题库覆盖监督与无监督学习、概率分布及其共轭先验、朴素贝叶斯分类器、线性判别与线性分类、支持向量机、集成学习、决策树、过拟合与正则化、主成分降维与聚类等核心章节，共含近四十道典型单选题，并在选项间重点提示容易混淆的知识点，例如软间隔参数的影响、核函数阶数变化与过拟合的关系、提升方法与自助采样聚合的差异等。资源为单个PDF文件，大小约5MB，排版便于在手机、平板或电脑上随时翻阅，也适合打印出来集中刷题；目前已吸引超过一万三千人学习浏览，在机器学习备考资料中具有较高热度。通过完整过一遍这些题目，可以快速定位知识薄弱点，巩固模型原理与算法选择依据，尤其适合考前一周进行查漏补缺和重点记忆。
1. 机器学习期末复习题.pdf：先用它体检，别拿它压榨记忆
期末前一个月，很多人拿到“机器学习期末复习题.pdf”第一反应是打印、从头刷到尾、背答案。我见过某高校A同学把一份复习题刷了三遍，考试时原题只占到三成，剩下的全是变形题，他换了数值、换了条件就下不了笔，最后差点挂科。问题不在题难，而在他把复习题当成了记忆库，没当成诊断工具。
这份PDF真正的用法是“体检”：做一遍，暴露哪块知识是空的，哪块是半懂，哪块只记得结论不会推导。线性回归、SVM、神经网络这些主干内容，考题形式有限，但背后的原理环环相扣。这篇就按一线从业者复习理论的方式，讲怎么用一份复习题PDF把知识过成闭环：先重组分类，再反推高频考点，用三轮自测驱动查漏，最后把简答题变成可以运行的小实验。适合期末备考的本科生，也适合准备算法岗笔试、需要快速捡回理论基础的人。
2. 拿到复习题先别刷：按模型类型把PDF重组成三张知识地图
很多人拿到PDF就直接从头开始做，做完对答案，对完翻篇，到了考场上发现知识还是散的。复习题通常是乱序的，选择题、填空题、简答题混在一起，按页码顺序刷等于随机抽样，根本不知道自己在哪块强、哪块弱。我自己的习惯是：先花半小时通读题目，把每道题打上主题标签，再按主题重新排序，让整份PDF变成几张知识地图。
2.1 先花半小时通读题目，按五大主题给题目打标签
常见机器学习期末复习题基本逃不出这五个主题：回归与优化，包括线性回归、逻辑回归、损失函数、梯度下降；模型复杂度，包括偏差、方差、欠拟合、过拟合、正则化；分类与评估，包括SVM、决策树、ROC、精确率召回率；神经网络与表示学习，包括BP、激活函数、CNN与RNN的基本概念；无监督与概率模型，包括聚类、降维、EM、朴素贝叶斯。
拿到PDF后，不要直接做题。用PDF阅读器的高亮功能，给每道题标一个主题标签，没有电子版就打印出来用彩笔标。标完以后统计一下每个主题的题量分布，这会告诉你出题人或者整理复习题的学长学姐认为哪些是重点。比如某份PDF里“分类与评估”占了40%，“概率模型”只有5%，那后者很可能就是盲区，而不是真的不考。
我一般会做一张简单的统计表，表格列包括：题目编号、简短题干、所属主题、题型、第一遍的置信度。置信度用1到5打分，5代表闭卷能完整做对，1代表完全没思路。这张表就是你的复习总控台，后面每一轮自测都基于它。
2.2 把每道题映射到“概念-公式-代码”三层
同样是“L2正则化”知识点，复习题里会出现三种考法：简答题问“为什么L2正则化可以抑制过拟合”，这是概念层；计算题让你写出带正则项的损失函数并求梯度，这是公式层；综合题可能给你一个数据集和一段不完整代码，让你填空或分析结果，这是代码层。三种考法需要的准备完全不一样。
概念层靠理解，要能用大白话把机制讲清楚；公式层靠推导，要能手写链式法则和梯度；代码层靠动手，要能写出可运行的实现。很多同学复习时只盯着概念层，背了一堆解释，结果考试考了公式推导，直接翻车。反过来，代码敲得飞起的同学也可能栽在概念简答题上，因为笔试要求文字表述准确。
所以通读题目时，除了标主题，还要给每道题标层级。一个简单的办法是在题目旁边写“概”“式”“码”三个字。标完后再看同一主题下三层题目各有多少，如果发现“公式层”的题目几乎没有但考试大纲里有，就要自己找题补上。复习题是样本，不是全集，样本缺失的维度要主动补。
2.3 用Python脚本生成带主题标签的复习索引
手动标注到一定数量后，用脚本管理会高效很多。我把题目信息录入到一个Python列表里，然后用pandas做分组统计和排序。这里不涉及PDF文本解析，重点是建立自己的复习索引。
import pandas as pd # 手动录入：题目代号、主题、题型、置信度(1-5) rows = [ ("Q12", "L2正则化对权重的影响", "模型复杂度", "简答", 3), ("Q23", "梯度下降在凸函数上的收敛性", "回归与优化", "计算", 2), ("Q31", "SVM软间隔的松弛变量", "分类与评估", "填空", 4), ("Q45", "softmax交叉熵梯度的推导", "神经网络", "推导", 1), ("Q58", "K-means初始点选择策略", "无监督与概率模型", "简答", 5), ] df = pd.DataFrame(rows, columns=["题号", "题目", "主题", "题型", "置信度"]) print("各主题题量分布：") print(df.groupby("主题").size()) print("\n按置信度升序排序，优先复习没把握的题：") print(df.sort_values("置信度"))这段代码里，组别是硬编码的，它决定了统计维度。置信度字段是第一遍闭卷做这道题时的自我评估，1分代表完全不会，5分代表能完整做对。sort_values("置信度")的作用是把最没把握的题排到最前面，第一轮复习就先啃这些硬骨头。这里没有做任何黑匣子玄学操作，就是把你的主观判断结构化，数据量大了以后，哪里薄弱一眼就能看出来。
2.4 复习进度表的正确形态：不要列“完成”，要列“可复述”
很多人的复习进度表长这样：周一做了10题，周二做了10题，每行后面打个勾。这种表只记录了“看了多少题”，没有记录“吸收了多少”。我推荐另一种形态：每一道题不只做一遍，每做一遍都要更新“能否复述”这个字段。
复习进度的最小单位不是“做完一道题”，而是“不看笔记，把这道题的解题思路和结论给一个不懂机器学习的人讲清楚”。能做到这一点，才算这道题真正消化了。我给每个主题建了一张表，字段只有四个：题号、第一遍正确性、错因类型、是否可复述。第一遍做错不要紧，记下错因；第二遍重做后，更新错因；直到某天你不看任何资料能顺畅讲出来，才把“可复述”标为真。
这个方法很笨，但期末复习本来就没有捷径。用复习题PDF做索引，反复回到同一道题，比不断找新题更有效。新题是无穷的，考点是有限的，把一份题集吃透比刷十份题集有用。
3. 从复习题反推高频考点：三组必须能手推的公式与模板
期末复习题虽然各不相同，但核心考点高度集中。我在帮人做考前辅导时发现，计算题填空里反复出现的有三块：损失函数求导、偏差方差与正则化、评估指标。这三块也是面试手推题的重灾区。复习题的价值就在于暴露你推导中的符号错误和漏项，所以遇到这类题，先别急着看答案，自己推一遍，再用代码验证。
3.1 损失函数求导：线性回归、逻辑回归、softmax的梯度到底差在哪
复习题里最常挖的坑是让你混淆三种损失函数对权重的梯度。线性回归的均方误差损失对权重求导，结果是-2x(y - wx)；逻辑回归的交叉熵损失对权重求导，结果是(sigmoid(wx) - y)x；softmax加上交叉熵之后，梯度形式更简单，是(softmax(wx) - one_hot(y))x。三者的共同点是梯度都正比于“预测与标签的差”，区别就在差值的计算方式。
我一般会先用符号计算库验算一遍，再手推三遍，确保考试时不卡壳。
import sympy as sp w, x, y = sp.symbols("w x y") # 线性回归：均方误差对 w 的导数 mse = (y - w * x) ** 2 print("MSE导数:", sp.simplify(sp.diff(mse, w))) # 输出 2*x*(w*x - y)，整理为 2*x*(wx - y) # 逻辑回归：带 sigmoid 的交叉熵对 w 的导数 import math sigmoid = 1 / (1 + sp.exp(-w * x)) log_loss = -(y * sp.log(sigmoid) + (1 - y) * sp.log(1 - sigmoid)) print("LogLoss导数:", sp.simplify(sp.diff(log_loss, w))) # 输出 x*(sigmoid - y)，说明梯度是残差乘以 x用sp.diff验算比自己盲想更稳，它能直接告诉你复合函数里哪一项漏了。需要注意这里的y是标签，取值为0或1。逻辑回归推导时最容易漏掉的是链式法则中sigmoid求导那一步，很多人会得到(sigmoid - y)*x*sigmoid*(1-sigmoid)，那是因为没有做对数求导化简。考试时如果时间紧张，可以直接记化简后的梯度形式，但要想清楚它是从-log损失推出来的，而不是拍脑袋的。
3.2 偏差-方差与正则化：简答题的固定答题模板
“为什么L2正则化能抑制过拟合”是简答题里的常客，但很多人的答案只有一句话“L2让权重变小”。这只能拿一半分。完整的答题逻辑要分四步：第一步，L2正则化在损失函数里加上权重的平方和，迫使模型学到的权重向零压缩；第二步，权重变小意味着模型的函数空间被压缩，原本剧烈变化的决策边界变得平滑；第三步，模型复杂度下降，对训练数据里的噪声不那么敏感，方差降低；第四步，代价是可能欠拟合，偏差略有增加。四步缺一不可。
复习题里还经常让你比较L1和L2。L1加绝对值，它的非光滑性导致某些权重被精确压缩为零，可以做特征选择；L2加平方，权重被成比例缩小，不会出现严格的零，保留所有特征但都变弱。如果要讲得更细，可以从解的几何形状解释：L1约束是菱形，尖角更容易触达坐标轴；L2约束是圆形，切点很难落在坐标轴上。
这个知识点我不建议死背，你可以在几行代码里做一个小实验：生成一批带噪声的数据，分别训练带L1和L2正则项的线性回归模型，打印出权重。你会发现L1的某些权重恰好是0.0，而L2的权重是接近0但不是0。复习题里凡是涉及“稀疏性”“光滑性”“特征选择”的填空，都能从这个实验里得到直觉。
3.3 评估指标里的四个抠字眼点：正例/负例、宏平均/微平均、阈值、类别不平衡
选择题和判断题很喜欢在评估指标上抠字眼。第一个点是精确率和召回率的分母：精确率分母是预测为正例的全部样本，召回率分母是实际为正例的全部样本。第二个点是宏平均和微平均的差异：宏平均先对每个类分别算指标再求算术平均，微平均把所有类的TP、FP、FN汇总到一张混淆矩阵再算一次。
第三个点是ROC曲线和阈值的关系：ROC横轴是假正率，纵轴是真正率，每个点对应一个阈值，AUC等于曲线下的面积，它衡量排序能力，不依赖具体阈值。第四个点是类别不平衡的影响：当负样本占绝大多数时，准确率会虚高，这时要重点看精确率、召回率或F1。复习题里常设的陷阱是“模型把所有样本都预测为多数类时准确率很高，但F1很低”，用来考你对指标的理解。
def macro_f1(tp, fp, fn): precision = tp / (tp + fp) if tp + fp else 0 recall = tp / (tp + fn) if tp + fn else 0 if precision + recall == 0: return 0 return 2 * precision * recall / (precision + recall) # 三个类别的混淆数据: tp, fp, fn classes = {"class_A": (10, 2, 3), "class_B": (8, 4, 2), "class_C": (12, 1, 5)} score_macro = sum(macro_f1(*v) for v in classes.values()) / len(classes) print("宏平均F1:", score_macro)这里每个类的tp、fp、fn都是手工指定的，用来模拟混淆矩阵。宏平均就是先分别算A、B、C的F1，再取平均。微平均则把三类数据直接相加，例如总TP = 10+8+12，再统一算F1。两个结果在类别不平衡时差异明显。期末复习时，可以在纸上把这两套计算各跑一遍，比单纯看定义更固。
4. 把复习题变成三轮自测卷：用错题记录驱动查漏补缺
复习题PDF不是越刷越厚越好，它要越用越薄。我习惯把整份PDF拆成三轮自测。第一轮闭卷做，标记置信度；第二轮按错题反向找知识漏洞；第三轮限时模拟口述。三轮下来，同样一份题，你会看到每道题从模糊到清晰的全过程。
4.1 第一轮闭卷标记：目标不是正确率，是暴露盲区
第一轮不要看笔记，不要查资料，按考试状态做。可以挑一个完整时间段，比如两小时，匀速过一遍题目。每道题做完之后，不要立刻对答案，先给自己打一个置信度分。这个分很主观，但很有用：有些题你虽然做对了，但心里发虚，这种题在复习中优先级应该高于那些你做错但一看答案就懂的选择题。
第一轮做完后，统计两个数字：正确题数占总量比例，以及置信度低于3的题数占总量比例。前者是参考，后者才是行动指南。如果你正确率有80%，但有一堆题置信度只有2，说明你的知识是浮在表层的，换个问法就容易翻车。A同学当时就是正确率很高，但问他“为什么”全说不清，一到推导题就懵，所以第一轮一定要把“感觉会”和“真会”区分开。
4.2 第二轮反向查漏：错题不是改答案，是补前置知识
第二轮不要重做全部题目，只处理两类：做错的题和置信度低于3的题。把每道题的错误归因成三类：概念混淆、公式推导错、计算粗心。概念混淆要去重新看教材里对应章节，把两个混淆概念的边界找出来；公式推导错要自己手写完整推导过程，写到中间卡住的地方就是漏洞；计算粗心则要总结自己的粗心模式，比如负号、下标、取整函数，这类问题不用大量刷题，做一个标记提醒自己就够了。
我用一个很小的数据库来管理错题，这样在第二轮和第三轮之间可以反复查询“还有哪些旧账没还”。
import sqlite3 conn = sqlite3.connect("ml_review.db") conn.execute(""" CREATE TABLE IF NOT EXISTS wrong_topic ( id INTEGER PRIMARY KEY, question TEXT, wrong_type TEXT, root_cause TEXT, fix_action TEXT, rechecked INTEGER DEFAULT 0 ) """) conn.execute( "INSERT INTO wrong_topic (question, wrong_type, root_cause, fix_action) VALUES (?,?,?,?)", ("softmax回归梯度", "公式推导错", "漏掉了分母对其他输出的偏导", "手推softmax雅可比并对照符号计算") ) conn.commit() # 查看还没重测的记录 for row in conn.execute("SELECT * FROM wrong_topic WHERE rechecked = 0"): print(row)这里的rechecked字段很关键，它标记这道题是否已经被重新验证过。第三轮开始前，你要保证所有rechecked = 0的记录都处理完。这个库可以一直用，把复习题里踩过的坑全部收进去，考试前只需要看这几张表，不用再把整本PDF翻一遍。
4.3 第三轮限时模拟与口述解释：从“会做”到“能讲”
第三轮的核心是压缩时间并提高输出标准。把复习题里相同考点的题目合并，删掉重复，组成一份只包含代表性的“精简卷”，题量大约是原PDF的70%。然后给自己限定时间，比期末考试的时长再压缩20%。这一步模拟的是考场上时间不够时的决策能力：遇到卡壳题是否果断跳过，会不会因为一道题耗费太久影响全卷。
限时做完之后，对每一道简答题和推导题做“口述复现”：对着手机录音，不看资料，把解题思路从头到尾讲出来。讲完再回放，你会发现很多漏洞——比如说着说着说不出“系数为什么是2不是1”，或者讲不清楚“为什么softmax用交叉熵而不用均方误差”。这些卡壳点比做题时错的点更深刻，因为口述强迫你把知识组织成了连贯的逻辑链。
我自己把这道工序叫“费曼调试”，它比重复做题更能暴露黑匣子。复习题里那些看似会做但说不清的题目，经过这一轮之后，才真正变成你的知识。
5. 期末复习题的五类常见坑：从答案错误到覆盖偏差
复习题PDF本身也携带风险，它不是官方标准答案，整理者可能是往届学生、助教或者网上下载的二手资料。踩坑的代价轻则浪费时间，重则背诵了错误答案直接扣分。下面五个坑是我见过发生频率最高的，每一条都是“现象→原因→解决”的结构，照着排查能少走很多弯路。
5.1 坑一：答案错得离谱，背了反而扣分
现象：某份复习题里“逻辑回归梯度”的答案符号完全写反，A同学照着记，考试时原样默写，被扣了大分。现象很典型：你越是信任这份PDF，越可能被它带偏。
原因：整理者手误，或者是不同教材对变量符号定义不同。比如有的教材里损失函数是-log(h(x))，有的是log(1-h(x))，对同一个表达式的梯度结果会差一个负号。网上流传的复习题答案几乎没有人校验。
解决：拿到计算题答案后，先用符号计算库或者手推一遍，验算重点在梯度推导和矩阵维度。推导题要看中间步骤，不能只看最后结果。如果验算结果和答案不一致，以你的推导为准，不要怀疑自己。
5.2 坑二：覆盖范围偏重模型，优化与概率图成了盲区
现象：某份PDF里SVM、决策树、神经网络占了七成，EM算法和朴素贝叶斯只各有一题。考试时恰恰出了一道关于期望最大化收敛性的简答题，整片空白。
原因：整理复习题的人对当下重点的主观偏好，或者统计的只是一年考点，不代表今年覆盖范围。机器学习课程大纲常常调整，往年的重点可能不是今年的重点。
解决：以教学大纲或教材目录作为总索引，复习题作为加权项。每过完一个章节，问自己“如果这时候出三分大题，我能说什么”。尤其注意优化方法、概率图模型这类容易被复习题忽略但常考的知识点。
5.3 坑三：只背结论不会推导，换一个条件就翻车
现象：反复背诵“L2正则化让权重变小”，题目改成“L1为什么能产生稀疏解，而L2不能”，完全答不上来。
原因：把复习题当成标准答案库，只记结果不记推导路径。机器学习题目变化多端，最常见的手法就是换一个模型、换一个条件，结论看似相似但原理有根本区别。
解决：对每个结论配套一次推导。自问三个问题：这个结论在什么条件下成立？条件去掉后还成不成立？如果换成正则化项会怎样？把推导写在错题记录里，而不是写在答案旁边。
5.4 坑四：题量少但考点深，误以为覆盖全部
现象：一份PDF只有三四十道题，学生以为把这三四十道题搞定就能及格，结果考试出现了一道复习题里完全没有涉及的知识点，比如“循环神经网络的梯度消失”。
原因：期末复习题常是压缩版，整理者的目的是快速过重点，不可能覆盖所有边角知识。题量越少，抽样性越强，越不能当作大纲。
解决：先用教材目录过一遍，每个章节至少能说出对应的三个关键词。复习题做辅助增强，不是主要依靠。如果时间紧张，可以按“题里考到的考点深度复习、题里没考到的大纲考点至少了解概念”的原则分配精力。
5.5 坑五：代码题依赖IDE调试，手写代码全凭记忆
现象：在电脑上敲代码能顺畅跑通，但笔试要求在纸上写伪代码或关键片段，一下笔就卡在语法、边界条件、参数默认值。
原因：IDE的命令补全和报错提示承担了一部分记忆工作，手写时这些辅助全部消失，等于裸考记忆。
解决：复习后期刻意离线写代码。我自己的做法是打开一个纯文本编辑器，关掉语法高亮和自动补全，把复习题涉及的代码完整写一遍，然后复制到解释器里运行。哪里报错就说明哪里记忆模糊，这个位置就是考点。写过两三次之后，手写代码的肌肉记忆才会建立起来。
6. 让简答题活成小实验：把一道正则化题改造成可复现的线性回归对比
复习题里最枯燥的是简答题，比如“L1和L2正则化有什么区别”。背诵文字很容易过夜就忘，但如果你能把这道题变成一次可复现的小实验，结果会完全不同。我遇到这种题时的习惯是：先构造一个小数据集，然后分别跑一下无正则化、L2、L1，把权重打印出来对比。
import numpy as np from sklearn.linear_model import LinearRegression, Ridge, Lasso rng = np.random.default_rng(42) X = rng.uniform(-3, 3, (200, 5)) true_w = np.array([2.0, -1.0, 0.0, 0.0, 0.5]) # 三个特征真实权重为零 y = X @ true_w + rng.normal(0, 0.5, 200) # 加噪声 lr = LinearRegression().fit(X, y) ridge = Ridge(alpha=1.0).fit(X, y) lasso = Lasso(alpha=0.5).fit(X, y) print("无正则化权重:", lr.coef_) print("L2权重:", ridge.coef_) print("L1权重:", lasso.coef_)这段代码用200个样本、5个特征，其中3个特征对标签其实没有贡献。无正则化时，这三个特征的权重会得到一些非零但有噪声的值；L2正则化会把所有权重都向零压缩，但不会精确等于零；L1正则化则会把那几个不相关特征的权重直接变成0.0。跑完之后，复习题里“L1稀疏，L2平滑”的结论就从文字变成了眼前的数字。
我还会再扩展一步：改变噪声大小，观察L2在噪声变大时权重抖动是否比无正则化小；改变alpha值，观察权重缩小的程度是线性还是非线性。这样一道简答题就活成了一组实验，考试再问你“正则化系数怎么选”，你可以从实验现象反推理论，而不是死背公式。
说句血泪经验：我当年复习“机器学习期末复习题.pdf”时只背了答案，没跑过一个实验，考到“画出L1约束下最优解落在坐标轴上的示意图”时傻了眼。后来帮学弟学妹辅导，我坚持让他们把每道推导题至少配一个30行的小实验，结果他们对原理的理解比我当年深刻得多。希望你也能用同样的方法把这几个坑一步跨过去，希望帮到你。
本文还有配套的精品资源，点击获取
