中二 ICT 人工智能练习四:十个常见误解逐项改正 2026-11-20 导师备课指引 · 小学数学 中二 ICT 人工智能练习四:十个常见误解逐项改正 十题全部是真实课堂错误:人工智能等于机器学习、准确率 95% 就够、测试集可以调参、训练误差越低越好,逐题讲清正确做法。 中二 ICT 人工智能练习四:错题重练十题 每题先判断对错,再写出正确做法。 01 本卷资料(做完才看答案) 项目 内容 题数 10 建议时间 25 难度分布 基础 4 · 进阶 2 · 挑战 2 · 错题重练 2 对应章节 所属章节:中二 ICT:人工智能与机器学习入门 适用年级 Retry 02 题目(10 题) 基础错题:人工智能与机器学习是同一件事。正确说法是什么? 基础错题:准确率 95% 就足够判断模型好坏。正确做法是什么? 基础错题:测试集可以用来调参数。正确做法是什么? 基础错题:训练误差越低越好。正确理解是什么? 进阶错题:资料越多,模型一定越准。正确理解是什么? 进阶错题:先对全部资料标准化再切分训练测试集没有问题。正确做法是什么? 挑战错题:精确率高,召回率一定也高。正确理解是什么? 挑战错题:AUC 0.5 已经算不错的模型。正确理解是什么? 错题重练错题:学习率越大,训练越快越好。正确理解是什么? 错题重练错题:非监督式学习不需要标签,所以不需要大量资料。正确理解是什么? 03 答案与一句解说 题号 答案 一句解说 1 机器学习只是人工智能其中一个分支 人工智能包含规则系统、搜寻、规划等,机器学习只是其中以资料训练模型的一类方法。 2 同时看精确率、召回率与混淆矩阵 类别不平衡时高准确率可以完全掩盖少数类的失败。 3 用验证集调参数,测试集只在最后用一次 测试集一旦参与决策就不再客观,得出的分数不能代表真实表现。 4 训练误差过低往往是过拟合,要看验证误差 模型把训练样本的噪声一并记住,换新资料就失效。 5 资料要相关、干净、有代表性才有用 重复与偏斜的资料只会放大偏差,错误标签更直接教错模型。 6 先切分,再只用训练集的统计量做标准化 用全部资料计平均值与标准差会把测试集资讯泄漏给模型。 7 两者可能互相拉扯,要提高其中一个往往要牺牲另一个 把判断门槛提高会令精确率升而召回率跌,所以要按用途取舍。 8 AUC 0.5 等同随机,接近 1 才算好 AUC 衡量正样本排在负样本之前的几率,0.5 就是一半一半。 9 学习率过大会震荡或发散,过小则收敛太慢 实务上先试较小值再逐步放大,观察损失曲线是否稳定下降。 10 非监督式学习同样需要大量而有代表性的资料 没有标签只省去人手标注,聚类与降维仍要靠足够样本才能找出可靠结构。 04 做完之后怎样跟进 对完答案,只重做错的那几题,并在错题旁写出错在哪一步(公式、单位还是抄错数)。 同一题隔两日再做一次;两次都对才可以移到下一份练习。 家长只需看答案栏与解说栏,不必逐题讲解。 想再操练同章题目?回到本章页可以看到其余三份练习,难度由基础到错题重练。导师登记 → 本卷题目与答案由 TutorZone 团队原创编写,并非任何学校、出版社或考试局的试题;数值与答案均以程式核算。
中二 ICT 人工智能练习四:十个常见误解逐项改正 2026-11-20 导师备课指引 · 小学数学 中二 ICT 人工智能练习四:十个常见误解逐项改正 十题全部是真实课堂错误:人工智能等于机器学习、准确率 95% 就够、测试集可以调参、训练误差越低越好,逐题讲清正确做法。 中二 ICT 人工智能练习四:错题重练十题 每题先判断对错,再写出正确做法。 01 本卷资料(做完才看答案) 项目 内容 题数 10 建议时间 25 难度分布 基础 4 · 进阶 2 · 挑战 2 · 错题重练 2 对应章节 所属章节:中二 ICT:人工智能与机器学习入门 适用年级 Retry 02 题目(10 题) 基础错题:人工智能与机器学习是同一件事。正确说法是什么? 基础错题:准确率 95% 就足够判断模型好坏。正确做法是什么? 基础错题:测试集可以用来调参数。正确做法是什么? 基础错题:训练误差越低越好。正确理解是什么? 进阶错题:资料越多,模型一定越准。正确理解是什么? 进阶错题:先对全部资料标准化再切分训练测试集没有问题。正确做法是什么? 挑战错题:精确率高,召回率一定也高。正确理解是什么? 挑战错题:AUC 0.5 已经算不错的模型。正确理解是什么? 错题重练错题:学习率越大,训练越快越好。正确理解是什么? 错题重练错题:非监督式学习不需要标签,所以不需要大量资料。正确理解是什么? 03 答案与一句解说 题号 答案 一句解说 1 机器学习只是人工智能其中一个分支 人工智能包含规则系统、搜寻、规划等,机器学习只是其中以资料训练模型的一类方法。 2 同时看精确率、召回率与混淆矩阵 类别不平衡时高准确率可以完全掩盖少数类的失败。 3 用验证集调参数,测试集只在最后用一次 测试集一旦参与决策就不再客观,得出的分数不能代表真实表现。 4 训练误差过低往往是过拟合,要看验证误差 模型把训练样本的噪声一并记住,换新资料就失效。 5 资料要相关、干净、有代表性才有用 重复与偏斜的资料只会放大偏差,错误标签更直接教错模型。 6 先切分,再只用训练集的统计量做标准化 用全部资料计平均值与标准差会把测试集资讯泄漏给模型。 7 两者可能互相拉扯,要提高其中一个往往要牺牲另一个 把判断门槛提高会令精确率升而召回率跌,所以要按用途取舍。 8 AUC 0.5 等同随机,接近 1 才算好 AUC 衡量正样本排在负样本之前的几率,0.5 就是一半一半。 9 学习率过大会震荡或发散,过小则收敛太慢 实务上先试较小值再逐步放大,观察损失曲线是否稳定下降。 10 非监督式学习同样需要大量而有代表性的资料 没有标签只省去人手标注,聚类与降维仍要靠足够样本才能找出可靠结构。 04 做完之后怎样跟进 对完答案,只重做错的那几题,并在错题旁写出错在哪一步(公式、单位还是抄错数)。 同一题隔两日再做一次;两次都对才可以移到下一份练习。 家长只需看答案栏与解说栏,不必逐题讲解。 想再操练同章题目?回到本章页可以看到其余三份练习,难度由基础到错题重练。导师登记 → 本卷题目与答案由 TutorZone 团队原创编写,并非任何学校、出版社或考试局的试题;数值与答案均以程式核算。