OA 选择题 · 即时判分

OA 里的选择题，先在这里练。

621 道原创 OA 风格选择题，覆盖 CS 基础（数据结构与算法、操作系统、数据库、网络、并发、面向对象、Linux 命令行、Git、计算机体系结构、Web 安全、设计模式、Web 前端、机器学习）、读代码（时间复杂度、Python、JavaScript、Java、C++、SQL、NumPy）和数学统计（概率、逻辑推理、统计）。读代码题里问输出的（复杂度题和标为未定义行为的除外），答案都是实际运行得出的。提交后立即判分并给出解析；答过的题按 1、3、7、21 天的间隔回来复习。CPU 调度、页面置换、TCP 和拥塞控制的计算题，可以用操作系统与网络模拟器逐步核对。

只显示：机器学习 · 查看全部科目

30 道题

要预测「订单会不会在 30 天内被退货」，模型在下单那一刻打分。下面哪些特征会造成数据泄漏？（多选）
- 该用户截至下单前 12 个月的退货率
- 该订单是否已经生成退货运单号
- 商品类目
- 发货后 7 天内该订单的客服工单数
要预测「贷款申请人未来 12 个月会不会违约」，在审批时打分。下面哪些特征会泄漏？（多选）
- 申请表里填写的年收入
- 贷后催收次数
- 账户是否已被转入坏账
- 申请前的征信评分
医院想在入院分诊时预测病人是否患有肺炎。下面哪些特征会泄漏？（多选）
- 是否开了抗生素处方
- 分诊时测的体温
- 年龄
- 出院诊断编码
订阅产品要预测用户下个月会不会流失，每月 1 日用之前的数据打分。下面哪些特征会泄漏？（多选）
- 上个月的登录天数
- 「账户关闭日期」字段是否为空
- 本月访问「取消订阅」页面的次数
- 注册时长
要预测「信用卡交易是不是盗刷」，在交易发生的瞬间实时打分。下面哪些特征会泄漏？（多选）
- 该卡过去 24 小时的交易笔数
- 持卡人事后是否发起了拒付（chargeback）
- 交易金额与该卡历史平均金额之比
- 风控团队人工复核的结论
要预测「候选人会不会接受 offer」，在发 offer 当天打分。下面哪些特征会泄漏？（多选）
- 入职体检是否已经预约
- 面试轮数
- 员工系统里是否已经生成工号
- offer 薪资和市场中位数之比
下面哪些做法会把测试集的信息泄漏进训练过程？（多选）
- 先用全部数据的均值和方差做标准化，再划分训练集和测试集
- 只在训练集上拟合标准化参数，再用它变换测试集
- 在全部数据上挑出和标签最相关的特征，再做交叉验证
- 交叉验证时，在每一折的训练部分内拟合缺失值填充
要预测明天的门店销量。下面哪些评估或特征构造方式存在泄漏？（多选）
- 把所有日期随机打乱，做 5 折交叉验证
- 按时间切分：用之前的数据训练，之后的数据验证
- 特征里用了以当天为中心的 7 天滑动平均
- 特征里用了截至昨天的 7 天滑动平均
数据集里同一个病人有多张 X 光片，你按图片随机划分训练集和测试集，测试准确率很高。问题出在哪？
- 图片数量太少
- 同一病人的图片同时出现在训练集和测试集，模型可能记住了病人而不是病灶，应按病人分组划分
- 应该先做数据增强再划分
- 测试集应该比训练集大
模型训练误差 2%，验证误差 25%。最可能的诊断和对策是？
- 偏差高（欠拟合），应换更复杂的模型
- 方差高（过拟合），可以加强正则、增加数据或简化模型
- 学习率太小，应该调大
- 数据没有问题，换一个随机种子再训练
L1 正则（Lasso）和 L2 正则（Ridge）最主要的区别是？
- L2 会把很多权重压到恰好为 0，L1 不会
- L1 只能用于线性回归，L2 只能用于逻辑回归
- L1 倾向于产生稀疏解（很多权重恰好为 0），可用于特征选择；L2 让权重整体变小但很少恰好为 0
- L2 正则不需要调参
信用卡欺诈检测里，漏掉一笔欺诈的代价远高于误拦一笔正常交易。调阈值时应该更看重哪个指标？
- 召回率（recall）
- 精确率（precision）
- 准确率（accuracy）
- 训练集上的损失
数据里 99% 是负样本。为什么只看准确率不合适？
- 准确率计算太慢
- 准确率只能用于多分类
- 准确率对概率校准太敏感
- 全部预测为负就有 99% 准确率，却一个正样本都没找到；应看精确率、召回率、F1 或 PR 曲线
ROC-AUC = 0.8 的含义是？
- 模型有 80% 的预测是对的
- 在阈值 0.8 时召回率为 80%
- 随机抽一个正样本和一个负样本，模型给正样本打分更高的概率是 80%
- 80% 的正样本得分高于 0.5
梯度下降时学习率设得太大，最典型的现象是？
- 损失下降得非常慢
- 损失来回震荡甚至发散到 inf 或 NaN
- 模型一定会过拟合
- 训练集准确率会达到 100%
下面哪些模型对特征的尺度（单位）敏感，通常需要先标准化？（多选）
- K 近邻（KNN）
- 带 L2 正则的逻辑回归
- 决策树
- 随机森林
k-means 优化的目标函数是？
- 簇的个数
- 不同簇中心之间距离的倒数
- 每个点到所属簇中心的平方距离之和（簇内平方和）
- 所有点两两之间的距离之和
随机森林相比单棵决策树，主要降低的是什么？
- 偏差
- 方差
- 训练时间
- 对特征尺度的敏感性
用平方损失做梯度提升（gradient boosting）时，每一棵新树拟合的是什么？
- 原始标签 y
- 当前模型预测值的平方
- 上一棵树的预测值
- 当前集成模型的残差 y - ŷ（即损失的负梯度）
softmax 输出 p，配合交叉熵损失，真实类别的 one-hot 向量是 y。损失对 logits z 的梯度是？
- p - y
- y - p
- p(1 - p)
- -log p
很深的网络全用 sigmoid 激活，前几层几乎学不动。最主要的原因是？
- sigmoid 的输出不是概率
- sigmoid 计算太慢
- sigmoid 的导数最大只有 0.25，反向传播逐层相乘后梯度消失
- sigmoid 会让参数变成负数
关于 Dropout，下面哪种说法正确？
- 推理（预测）时也要随机丢弃神经元
- 训练时随机丢弃，推理时关闭；常用的「倒置 dropout」在训练时把保留的激活除以保留概率
- Dropout 用来加快训练
- Dropout 只能用在输入层
批归一化（Batch Normalization）在推理时用什么做归一化？
- 当前这个批次的均值和方差
- 不做归一化
- 训练时累计的均值和方差的滑动平均
- 测试集整体的均值和方差
缩放点积注意力为什么要把 QKᵀ 除以 √d_k？
- 为了让注意力权重之和等于 1
- 为了减少计算量
- 为了实现因果掩码
- 维度越高点积的方差越大，不缩放 softmax 会进入饱和区、梯度很小
逻辑回归里某个特征的权重是 0.7。其他特征不变时，这个特征增加 1，会怎样？
- 预测概率增加 0.7
- 几率（odds）乘以 e^0.7 ≈ 2.01
- 预测概率乘以 0.7
- 几率增加 0.7
一个分类器在测试集上 TP = 40、FP = 10、FN = 20。精确率和召回率分别是？
- 0.8 和 0.67
- 0.67 和 0.8
- 0.8 和 0.8
- 0.57 和 0.67
把二分类的判定阈值从 0.5 提高到 0.8，通常会怎样？
- 精确率和召回率都上升
- 精确率下降、召回率上升
- AUC 上升
- 精确率通常上升、召回率下降
正样本只占 1%。下面哪些处理类别不平衡的做法是正确的？（多选）
- 在损失函数里给少数类更大的权重
- 划分之后，只在训练集里对少数类过采样
- 先对全部数据过采样（如 SMOTE），再划分训练集和测试集
- 在重新平衡过的测试集上报告精确率
对邮编这类高基数类别特征做目标编码（用该类别的平均标签替代类别）。下面哪些做法正确？（多选）
- 只用训练集（交叉验证时用折外数据）计算每个类别的平均标签
- 对样本很少的类别，把平均值向全局均值平滑
- 用全部数据（包括测试集）计算平均标签
- 计算某个样本的编码时把它自己的标签也算进去
模型上线几个月后效果下降，排查发现线上某些特征的分布和训练时明显不同，而特征与标签的关系没变。这种情况叫什么？
- 过拟合
- 协变量偏移（covariate shift），一种数据漂移
- 标签泄漏
- 梯度消失