quiz.json

[
  {
    "id": "pipeline-pre-1",
    "stage": "pre",
    "question": "在 ML 流水线的语境中，数据泄漏是什么？",
    "options": [
      "在预处理过程中数据被意外删除",
      "来自测试集或未来数据的信息污染了训练过程",
      "模型处理数据太慢",
      "在编码过程中特征被丢弃"
    ],
    "correct": 1,
    "explanation": "当在预测时本不可得的信息被用于训练时，就发生了数据泄漏。例如：在包含测试数据的整个数据集上计算缩放器的均值/标准差。"
  },
  {
    "id": "pipeline-pre-2",
    "stage": "pre",
    "question": "为什么在划分训练集/测试集之前就在整个数据集上拟合缩放器会被视为泄漏？",
    "options": [
      "缩放改变了数据分布",
      "缩放器的统计量（均值、标准差）包含了测试数据，因此模型在训练时间接看到了测试信息",
      "缩放只应在测试集上进行",
      "在大数据集上拟合缩放器耗时太长"
    ],
    "correct": 1,
    "explanation": "当缩放器在所有数据上拟合时，它的均值和标准差就编码了测试样本的信息。随后训练特征会用测试统计量做平移，从而把未来信息泄漏进训练。"
  },
  {
    "id": "pipeline-post-1",
    "stage": "post",
    "question": "在 sklearn 中，对流水线步骤调用 fit_transform 和 transform 有什么区别？",
    "options": [
      "它们完全相同——都既拟合又变换",
      "fit_transform 从数据中学习参数并应用变换；transform 只应用先前学到的参数",
      "transform 用于训练数据；fit_transform 用于测试数据",
      "fit_transform 更慢但更准确"
    ],
    "correct": 1,
    "explanation": "fit_transform 从数据中计算统计量（例如均值、标准差）并对其变换。transform 只应用已经学到的统计量而不重新计算。在测试数据上，你必须使用 transform 以避免泄漏。"
  },
  {
    "id": "pipeline-post-2",
    "stage": "post",
    "question": "为什么对真实世界的数据集需要 ColumnTransformer？",
    "options": [
      "它使流水线在多个 CPU 上并行运行",
      "它在同一条流水线内对数值列和类别列应用不同的预处理步骤",
      "它自动移除含缺失值的列",
      "它把所有列转换为相同的数据类型"
    ],
    "correct": 1,
    "explanation": "真实数据集包含混合类型。数值列需要缩放，类别列需要编码。ColumnTransformer 在单条流水线内把每个列子集路由到合适的变换器。"
  },
  {
    "id": "pipeline-post-3",
    "stage": "post",
    "question": "一个生产模型收到了它在训练时从未见过的类别值（'new_category'）。流水线应该如何处理？",
    "options": [
      "完全忽略该行，不返回任何预测",
      "从头重新训练整个模型",
      "优雅地处理未知类别，例如使用一个 'unknown' 分桶，或在目标编码中使用全局均值",
      "把未知类别转换为数字零"
    ],
    "correct": 2,
    "explanation": "健壮的流水线会预料到生产环境中出现未见过的类别。解决方案包括为独热编码设置一个 'unknown' 兜底，或在目标编码中默认使用全局均值。"
  }
]