机器学习导论习题解答：题型拆解、推导方法与避坑清单-育师

很多同学学机器学习导论，最大的错觉是把“听懂”当成了“学会”。老师在台上讲线性回归、决策树、支持向量机，台下听得热血沸腾，可真拿到一份习题册，面对一堆公式、数据集和“请证明”三个字，瞬间卡壳。我自己最初也是这样，后来硬着头皮把几十道课后题和往届考题当作项目去啃，才慢慢总结出一套稳定的解法、验证方法和避坑清单。这篇内容不打算替你抄答案，而是想把机器学习导论习题解答里真正影响成绩的东西讲清楚：常见题型有哪些、动笔前怎么搭思维框架、经典题怎么一步步推、代码上怎么验证答案，以及那些只要踩过一次就想摔键盘的坑。

如果你正在学机器学习导论，准备期中期末考，或者在准备面试里常见的基础机器学习问题，这篇东西大概率对你有用。哪怕你已经工作，回看这些基础习题，也能把很多当时没想明白的知识点补回来。文中会涉及线性回归、逻辑回归、决策树、朴素贝叶斯、支持向量机这些导论课常客，也会讲怎么用numpy做小实验验证自己的推导。文章里所有方法都是我在平时做题中反复用过的，尽可能写成能直接照做的流程，而不是空讲道理。

1. 先把考察范围摸清：机器学习导论习题的常见题型与考点

很多人做题慢，不是因为笨，而是因为不知道这些题到底在考什么。机器学习导论的习题尽管五花八门，拆开来看就四类：概念辨析、公式推导、算法分析、编程实现。每一类的应对思路完全不同，先有分类意识，再投入时间，效率会高很多。

1.1 概念题：先下定义，再讲原因，最后给边界

这类题最常见，也最容易被低估。提问方式一般是“解释什么是过拟合”“谈谈偏差与方差的区别”“在什么场景下朴素贝叶斯会失效”。回答时如果只背概念，得分往往一般；想拿高分，要按“定义—原因—边界—例子”四层结构来答。

我举个例子。解释“过拟合”：先定义，指模型在训练集上误差很低、在测试集上误差反而很高的现象；再说原因，通常是模型复杂度过高、训练数据太少或约束不足，导致模型把噪声当成规律；接着给边界，即过拟合并不是总会发生，若训练和测试误差一起高，那是欠拟合；最后补例子：一个多项式回归阶数过高时，拟合曲线剧烈震荡，就是典型表现。如果能再写出一个公式或正则化项，比如损失函数里加λ||w||²，效果会更好。概念题的核心其实不是死记硬背，而是检验你是否知道这个术语的“适用场景”和“失效条件”。

1.2 推导题：没有捷径，但有一个万能开头

机器学习导论里典型的推导题包括：最小二乘线性回归的解析解、逻辑回归损失函数的梯度、感知机的更新规则、朴素贝叶斯分类器的推导、支持向量机的间隔表述。它们看起来吓人，底层结构其实是同一个：定义模型、定义损失、求导数。

我建议遇到推导题时先花三十秒做一件事：把题目里的所有符号写在草稿纸上，明确哪个是数据、哪个是参数、哪个是预测值。然后按“模型—损失—优化”的顺序往下写。很多同学一上来就急着算梯度，连损失函数长什么样都没写清楚，结果算到一半发现自己求错了对象。这个“五步法”我在后面第3章会配合具体题目展示。推导题的得分点往往不是最后的答案，而是中间有没有写清楚链式法则、矩阵求导法则和置零过程，哪怕结果不对，过程也能拿一半分。

1.3 算法分析题：复杂度、收敛性和鲁棒性

第三类题分析味很重，典型问题是“给定N个样本D维特征，K近邻训练和预测的时间复杂度各是多少”“随机梯度下降为什么在目标函数非凸时仍被广泛使用”“决策树对异常值是否敏感”。这类题没有标准答案可背，要靠对算法伪代码的理解。

我的经验是，复杂度题用“计算什么、存储什么、执行多少次”来分解。K近邻训练阶段其实什么都不做，所以训练复杂度是O(1)，预测阶段要计算新样本与N个样本的距离，复杂度至少O(ND)；如果用了加速索引，是另一回事。收敛性题则要抓住损失函数和更新规则的关系，比如梯度下降在凸函数上保证收敛，但步长太大会震荡。鲁棒性题要具体到算法，例如K近邻对异常样本敏感，因为离群点会直接改变近邻分布。分析题最能看出一个人是不是真正动手跑过算法，因为很多细节只有实现过才会注意到。

1.4 编程实现题：题意、参数、可视化都算分

最后一类是编程题，可能是填空题、补全代码题，也可能是开放性实验题。常见要求包括：实现一个线性回归函数、补全逻辑回归的训练循环、在给定数据集上绘图比较不同模型效果。

这类题踩分点不只是“模型精度高”，还包括代码是否可复现、有没有固定随机种子、有没有写清楚数据预处理、是否提供了评价指标。我在第4章会专门展开。一个很重要的建议是：尽量不要一上来就调用现成框架，先把关键步骤用numpy手写一遍，再用现成库对拍结果。考试不允许你import一个函数就交差，面试官也一定会追问内部原理，手写的过程能帮你把知识焊死在脑子里。

2. 动笔之前：建立三个能救命的思维框架

做题和做项目的共同点是，起手式比临场发挥更重要。我见过很多同学在推导题上卡了二十分钟，最后发现只是把X和X^T写反了。为了尽量少犯这种错，我在做任何机器学习导论习题之前，都会先在草稿纸上固定三样东西：符号体系、损失结构、验证计划。

2.1 统一符号体系，从源头上消灭低级错误

机器学习教材很多，不同教材对矩阵的定义习惯不一样。有的把X写成“行是样本，列是特征”，有的写成“列是样本，行是特征”。如果不提前定义，第二行公式就可能出现维度对不上。

我的习惯是永远用“X是n×d矩阵，n个样本、d个特征；y是n×1列向量；w是d×1参数向量；b是标量偏置；预测为ŷ=Xw+b”。凡是进入这道题，所有公式都从这个定义出发。比如正规方程里X^T X是d×d矩阵，(X^T X)^{-1} X^T是d×n矩阵，乘上y是d×1，一眼就能看出维度对。

这个框架建立之后，我非常少再犯“忘记转置”这种错，因为每一步的维度都是可以被检查的。如果你的答案最后是一个标量除以一个向量，那多半哪一步错了，先查维度，很多时候比重新推导更快。

2.2 模型-损失-优化三角：推导题的全套骨架

任何一个监督学习算法，本质上都由三块组成：模型（怎么定义预测函数）、损失（怎么衡量预测好坏）、优化（怎么找到更好的参数）。解推导题时，把这个三角写出来，题目就已经拆掉一半。

以逻辑回归为例。模型是p=1/(1+e^{-w^T x})；损失是负对数似然；优化是用梯度下降迭代。如果一道题让你推导逻辑回归的梯度更新公式，本质上就是问“损失对参数求导是什么”。知道这个，你自然知道从哪里开始：先写出L，再对w求导，中间用到sigmoid函数的导数性质，最后整理成(p−y)x的形式。在第3章我会完整演示一遍。

2.3 验证闭环：推导和代码互相印证

很多学生做完推导题后，唯一的“验证”是翻到书后面看答案。如果答案一致就放心，不一致就怀疑自己。这种做法有个问题：万一书后答案也是简写，或者你自己算错但刚好答案类似，就失去了纠正机会。

我后来养成了一个习惯，叫“双通道验证”。数学上推完一个梯度或损失公式，立刻用一个小数据集在代码里算数值梯度，和解析梯度做比较；如果两者误差在1e-5以内，推导基本没问题。代码上如果实现了一个模型，再回到数学层面推导一下它为什么收敛，形成闭环。这个习惯看似慢，实际上每次都能在提交作业前抓住一两个隐蔽bug。验证不只是为了得分，它本身就在训练工程里最需要的一项能力：结果是否可信。

3. 经典题拆解：几道特征题的完整解答流程

下面选几个机器学习导论课程里出现频率极高的题目类型，我按我实际做题时的笔路逐步写下来。这些题目不一定是你那套教材的原题，但“配方”是一样的，理解了它们，同类型题都能迁移。

3.1 线性回归的最小二乘推导：从目标到闭式解

题目背景一般长这样：给定训练集X∈R^{n×d}，响应y∈R^{n×1}，线性模型ŷ=Xw。目标是最小化平方误差损失L(w)=1/n·‖Xw−y‖²，求参数w的解析表达式。

第一步：展开损失。为了求导方便，有人会用1/2因子，有人用1/n，其实无伤大雅，只要后面目标函数一致。计算L(w)=1/n·(Xw−y)^T(Xw−y)。第二步：对w求梯度。用到矩阵求导法则，∂‖Xw−y‖²/∂w=2X^T(Xw−y)。第三步：令梯度为零，得到X^T X w=X^T y，所以w*=(X^T X)^{-1} X^T y。最简版本的答案就是它。

但要拿满分，还要讨论几个细节。比如，如果X^T X不可逆怎么办？此时没有唯一的闭式解，需要引入岭回归，目标变为L(w)=‖Xw−y‖²+λ‖w‖²，解得w*=(X^T X+λI)^{-1} X^T y。很多习题喜欢在这个基础上加问，别只背正规方程不放。另外，如果题目没有在X里加一列全1，说明模型里还该有偏置b，你要么把b并进w里，要么单独对b求导，得到b=mean(y)−mean(X)·w的估计。忽略这步，是线性回归题最常被扣分的点。

3.2 逻辑回归梯度推导：用链式法则拆出漂亮的结果

逻辑回归的经典推导题：给定二分类数据集，标签y∈{0,1}，模型输出p=sigmoid(w^T x)=1/(1+e^{-w^T x})。损失用交叉熵，单个样本的损失为−[y log p+(1−y) log(1−p)]，总损失L(w)=−Σ_{i=1}^{n}[y_i log p_i+(1−y_i) log(1−p_i)]。证明对w的梯度等于Σ(p_i−y_i)x_i。

这类题的漂亮之处在于，经过sigmoid的链式化简后，梯度形式非常简洁。推导步骤：先求sigmoid的导数——设σ(a)=1/(1+e^{-a})，则σ'(a)=σ(a)(1−σ(a))。对单个样本，∂L/∂w = −y·(1/p)·p(1−p)x + (1−y)·[1/(1−p)]·p(1−p)x。第一项化简成−y(1−p)x，第二项化简成p(1−y)x，合并得到(p−y)x。把所有样本加起来，就是Σ(p_i−y_i)x_i。

如果题目再加一句“加入L2正则后，更新规则怎么变”，你只需要在损失后面加(λ/2)‖w‖²，梯度变成Σ(p_i−y_i)x_i+λw，更新时w←w−η(Σ(p_i−y_i)x_i+λw)。这个变体在笔试中出现频率也不低，值得提前练。

3.3 决策树：手算信息增益，权重要记得除以总样本

信息增益的计算是决策树章节最常见的送分题，但送分题也常因“忘记加权”而丢分。我随手造一个简单题干：数据集一共8个样本，5个正例（标记为1）、3个负例（标记为0）。特征A取值为yes和no，yes的样本里有4个正例1个负例，no的样本里有1个正例2个负例。求按特征A划分后的信息增益。

第一步算总熵：H(D)=−5/8·log₂(5/8)−3/8·log₂(3/8)≈0.9544。第二步算条件熵：yes子集熵为−4/5·log₂(4/5)−1/5·log₂(1/5)≈0.7219，no子集熵为−1/3·log₂(1/3)−2/3·log₂(2/3)≈0.9183。加权条件熵等于5/8·0.7219+3/8·0.9183≈0.7955。第三步信息增益=总熵−条件熵≈0.1589。

这里的易错点有两个。第一，子集熵计算时的概率分母是子集的样本数，不是总样本数；第二，加权平均时用的比例是子集样本数除以总样本数，比如yes是5/8，不是5/5。口诀就是“子集内算概率，全局加权重”。如果题目问基尼指数，思路完全一样，只是熵换成了基尼纯度。决策树题还算相对耿直的，只要计算步骤清晰，结果一般不会差太多。

3.4 朴素贝叶斯：频率表、先验、条件概率与平滑

朴素贝叶斯的计算题通常给一张训练集频数表，然后问你一个未见样本属于哪个类。题干常常长这样：两个特征x1∈{a,b}，x2∈{c,d}，类别C1、C2。训练集中C1出现12次，C2出现8次；在C1类里x1=a出现10次，x2=c出现9次；在C2类里x1=a出现2次，x2=c出现6次。新样本是(x1=a, x2=c)，问属于哪个类。

如果题目让你说明朴素贝叶斯为什么叫“朴素”，要答“假设特征在给定类别的条件下相互独立”，这个假设让联合概率拆成条件概率乘积，极大简化计算。若某个条件概率恰好为0，需用拉普拉斯平滑：分子加α，分母加α·类别的特征取值数，比如P(x1=a|C1)可能变成(10+1)/(12+2)。这类题不难，但很考验公式摆放的条理性，写清楚每一步乘了什么，基本就能满分。

3.5 支持向量机的间隔：几何直觉与KKT条件

导论课程对支持向量机一般只要求理解间隔和边界，但考试偶尔会出“给两个点求最大间隔”。比如正类点(1,0)和负类点(−1,0)，找最优分离超平面。因为数据在二维平面上，最优超平面是x=0这条线。写成x^T w+b=0，即w=(1,0)，b=0。两个支持向量的函数间隔分别为1和−1，几何间隔是2/‖w‖=2，这正是最大间隔。

如果要答得更深，可以补一句KKT条件：只有支持向量对应的对偶变量α非零，其他样本的α为0，因此新样本分类只由支持向量决定。这个结论在导论面试题里很常考。我建议学的时候把点到超平面距离公式d=|w^T x+b|/‖w‖背熟，因为它能把决策边界和几何间隔串起来。SVM这部分推导涉及凸优化概念，导论课不要求你完整做拉格朗日对偶，但至少要知道“最大化间隔等价于在约束下最小化‖w‖²/2”。

4. 用代码验证答案：让习题变成可复现的实验

数学推导和手算只能给你一个理论答案，代码可以帮你确认这个答案是否真的说得通。第4章这部分，是我强烈建议每个做题的人都实践一遍的，因为很多“以为自己会了”的情况，一写代码就露馅。

4.1 搭建最小验证环境：不需要重型框架

验证习题答案用不着装上完整的深度学习框架，一个python环境加numpy就够了。如果涉及画训练损失曲线或数据分布，再装matplotlib。有些同学一开始就搭一个大型实验工程，反而把注意力从题目本身挪走了。我的做法是每次新建一个脚本文件，开头固定写：

import numpy as np import matplotlib.pyplot as plt np.random.seed(42)

固定随机种子非常重要。机器学习习题里经常要生成模拟数据或者初始化随机权重，如果不固定seed，每次跑出来的结果可能不一样。你对着一个跳动的答案去验证推导，很容易怀疑人生。固定seed之后，实验可复现，也不用担心交作业时被质疑“你的结果我怎么跑不出来”。

4.2 用数值梯度检查解析梯度：推导题的验算神器

我强烈推荐一个用于检查几乎所有解析梯度的工具：中心差分法。原理是导数定义df/dw≈(f(w+eps)−f(w−eps))/(2eps)，当eps取很小的数时，它的近似值非常接近真实梯度。对比一下你用公式推出来的梯度，如果误差在1e-6附近，推导基本就对了。

假设你已经实现了一个损失函数loss(w, X, y)和它的解析梯度grad_analytic(w, X, y)，下面这段代码可以自动做检查：

def check_gradient(loss, grad_analytic, w, X, y): eps = 1e-6 grad_numeric = np.zeros_like(w) for i in range(w.size): w_plus = w.copy() w_minus = w.copy() w_plus[i] += eps w_minus[i] -= eps grad_numeric[i] = (loss(w_plus, X, y) - loss(w_minus, X, y)) / (2 * eps) diff = np.linalg.norm(grad_numeric - grad_analytic) print("gradient difference:", diff)

实际跑逻辑回归时，我通常能得到1e-8量级的差异，基本可以说明推导没有符号错。别小看这个工具，很多同学写作业时因为梯度符号反了，损失一开始下降、后面疯狂震荡，用这个函数一跑就能定位。数值梯度本身不复杂，值得养成条件反射。

4.3 模拟数据回归复现习题：从闭式解到梯度下降

以线性回归那道推导题为例，我们可以生成一份模拟数据来验证w*=(X^T X)^{-1}X^T y是否正确。先用下面这段代码造数据：

n, d = 200, 2 X = np.random.randn(n, d) X_aug = np.hstack([np.ones((n, 1)), X]) true_w = np.array([2.0, 3.0, -1.0]) y = X_aug @ true_w + 0.1 * np.random.randn(n)

然后用闭式解拟合：

w_hat = np.linalg.solve(X_aug.T @ X_aug, X_aug.T @ y) print("estimated w:", w_hat)

如果随机噪声不大，得到的w_hat应该非常接近[2, 3, −1]。再用你自己的梯度下降实现迭代一百步，你会发现损失单调递减，最后的w_hat同样收敛到附近。这一步的意义在于，它把“推导公式”和“数值实验”接上了：解析解能一步到位，迭代解能逐步逼近，两个结果互相印证，答案的可信度就远高于光看书后的一行结果。

画图时可以用plt.scatter看真实数据点，再用模型预测值画一条直线，直观感受拟合效果。如果发现曲线严重偏离数据，就要检查是不是少加了一列全1或者正规方程写成了(X^T X)^{-1}X y这种少了转置的版本。

4.4 习题答案自查清单：交作业前的最后五步

代码写完、推导做完，我建议再对着下面这份清单过一遍。我平时写作业时会把清单打印出来贴在屏幕边上，写完一道题就检查一轮，很多低级bug还没等到交作业就消失了。每一条都对应我踩过的真实教训。不要小看这些检查项，它们比很多复杂的调试技巧更实用，因为你是在结果层面看模型行为，而不是一头扎进代码细节里找半天。

损失是否比初始值更小？如果训练完损失反而升高，梯度方向或学习率大概率有问题。
梯度范数是否接近0？模型收敛时梯度应该很平缓；如果梯度范数还在增大，说明更新方向反了。
预测均值是否合理？比如回归任务里目标均值是5，你的预测均值却跑到10，说明偏置或数据预处理出错。
训练和测试是否严格分离？标准化时测试集不能使用训练集的统计量重新计算，只能复用训练集算好的mean和std。
固定随机种子后结果是否稳定？同一份代码如果每次运行结果差异极大，说明初始化或数据切分没有固定。

这五条看起来简单，但比很多复杂debug方法都好用。它逼着你从结果反推过程，而不是只在代码里盯着看。

5. 做题时最常见的坑：实测九条避坑经验

下面这些坑，我基本每一个都踩过，或者帮别人调试时见过。整理出来不是为了凑篇幅，而是因为它们在习题和面试里出现的概率实在太高。

5.1 矩阵维度错位：先手推一个3×2的例子

维度问题是机器学习习题里最高发的错误。很多人写正规方程时，知道答案是X^T X，但遇到X是n×d还是d×n立即懵。我的建议是不要只在脑子里面搞，动笔写出一个小维度例子，比如X是3×2、y是3×1，把X^T X算一遍，看看结果是不是2×2。整个过程不到一分钟，能避免半小时的推导翻车。

5.2 忽略偏置项：模型里到底有没有b

线性模型如果写成ŷ=w^T x，你的参数里实际上少了偏置b。要想让模型能拟合不过原点的一堆数据，必须在X里加一列全1，或者单独维护一个b。习题里如果题干写“特征矩阵X已包含偏置列”，那就直接用；如果没写，你要主动在解法开头声明自己的扩展方式。这道题的隐性考点就在这里。

5.3 梯度更新符号反了：加号还是减号

梯度下降的更新规则是参数减去学习率乘以梯度，即w←w−η·∂J/∂w。写代码时很多人会惯性写成加号，结果损失不降反升。如果某次训练发现损失单调上升，第一件事去查符号，而不是调学习率。数值梯度检查工具能迅速揪出这个问题：如果解析梯度总是和数值梯度差一个负号，就是符号反了。

5.4 除零与log0：数学定义要处理边界

信息熵和交叉熵里，P=0时0·log 0被定义为0。但在代码里直接写0*np.log(0)会得到nan。处理方式有几种：可以用np.log(p+1e-12)施加极小偏移；也可以写一个safe_log函数，对0返回0。朴素贝叶斯里出现0概率也不是世界末日，拉普拉斯平滑加个1就好。边界条件在推导题里不会被深究，但写代码时很致命，提前处理能省很多事情。

5.5 训练集和测试集的数据泄露：标准化必须分开算

数据标准化在习题里经常被一笔带过，但它是一个非常隐蔽的坑。正确的做法是：拿训练集拟合scaler，得到均值和标准差，然后用同一组均值和标准差去转换训练集和测试集。如果你在测试集上重新调用fit，模型在测试时就已经看到了测试集的分布信息，测试指标的参考价值会大打折扣。哪怕题目不要求讲这套细节，你在实验报告里写明白分分钟能拿加分项。

5.6 特征尺度差异大：梯度下降会震荡

如果一个特征取值在0到1之间，另一个特征取值在1万到10万之间，梯度下降更新时会因为尺度差异出现震荡，收敛极慢。解决办法是标准化或归一化后训练。如果实在不想处理，直接用正规方程闭式解，可以绕过大部分数值优化问题。我在习题里经常提醒自己：题里给的数据如果单位相差很大，八成是在等你踩这个坑。

5.7 只看训练集精度：过拟合判断不能只看训练分

机器学习导论的编程题里最典型的错觉是：训练集上准确率99%，就认为模型很完美。这时更该看测试集或验证集。如果训练远高于测试，说明过拟合；如果两边都高，才算真正泛化。做题时养成习惯，输出两个数字：train_score和test_score，一眼就能看出问题。这条建议看起来基础，却是很多人写实验报告时最容易被老师点名的短板。

5.8 不写推导直接套库：库函数是你的对拍工具，不是免死金牌

用一行现成库跑出结果很简单，但这道题的考点是“你会不会推导和实现”，而不是“你知道有个库能完成这件事”。我的建议是作业里先手动实现一个版本，再用库函数做对拍。两边的结果在数值精度范围内一致，才算真正做完了。面试时如果只能说出“调用现成库”，基本可以直接交卷出局。

5.9 没有测试用例：提交前至少试一遍最小场景

写代码题前，我习惯先构造极端简单场景验证逻辑：特征只有一个且值全是1、样本只有一个、目标变量全是同一个常数、输入有空值。这些边界场景一旦不出错，正常数据大概率也没问题。很多一眼看上去很对的代码，在小样本上跑一遍就暴露问题，比等到提交后被打回要舒服得多。

6. 从“做完整套题”到“建立可迁移能力”：一套进阶练习方法

做完题目并不代表学习结束，至少对我而言，最有价值的部分是把固定题目改成变体再重新做一遍，或者用自己的话把一个解法讲给别人听。这部分的练习方法，能把你从“会这道题”拉到“会这一类题”的高度。

6.1 改变条件重做每道题：一次变化，知识翻倍

一种高效练法是把习题的条件改一改再重做。比如线性回归这题，把平方损失换成绝对损失，你会发现解析解不再成立，必须改用数值优化；把逻辑回归加权正则项，梯度公式和收敛曲线都会有变化；把决策树的信息增益换成增益率，选择结果可能不同。这些变体在真实考试里是拉开差距的地方。我第一次做变形题时也很不习惯，但做了几个之后，反而对原来的标准解法理解更深了。

6.2 用自己的话向别人讲题：讲不清楚的地方就是知识漏洞

最有效的查漏补缺之一，是找一位同学或者干脆对着镜子，把一道题的完整推理讲一遍。只要你的讲解过程中出现“这里就是显然”“反正课本这么写”这样的含糊表达，说明这个知识点还没真正长在你身上。我在准备面试时经常用这个办法，一遍讲下来，自己就能察觉哪些步骤其实是背下来的。听上去有点反直觉，但“讲题”消耗的时间比“做题”更值得。

6.3 维护一份“错题+变体”清单：考前只看这张纸

不要把所有错题都往本子上抄，我建议按“模型类别”“数学问题”“代码问题”三个维度来记。比如“决策树——手算熵时子集概率分母写错”“线性回归——忘了给X加偏置列”“梯度下降——更新符号写反”。每次考前一晚上，只翻这张清单，比从头刷一整套题高效得多。清单里每一条都该附带一个很短的修正动作，而不是只写着“错了，看答案”。

我自己在学这部分内容时，最深的体会是：做题慢不是问题，最怕的是用“我好像懂了”来自我安慰。把每一道题当成一个小项目，先手推、再写代码、最后改条件重推，一套答案反复打磨三遍，心里才能真正踏实。这个过程确实耗时间，但它训练的是把数学公式和一行业代码对齐的能力，这种能力在你以后处理真实数据、调模型、排查bug的时候，比任何一次考试分数都值钱。所以如果你现在正被机器学习导论习题折磨，不必太焦虑，那说明你正在补那些偷懒省不掉的底层能力，而这种能力恰恰是决定你后续能走多远的东西。