先说结论：这学期机器学习期末能不能过，不取决于你考前那晚喝了多少咖啡，而取决于你有没有把西瓜书那十几章内容串成一张能随时调用的“知识网络”。河南大学2022年秋季学期这门课用的是周志华老师的《机器学习》（江湖人称“西瓜书”），考试范围覆盖前九章甚至到第十、十一章，题型基本稳定在选择题、简答题、计算推导题和应用分析题。我结合自己当年复习的经验，把这门课最常考的考点、最容易踩的坑、以及一套实际可落地的冲刺复习路线全部整理在下面，希望能帮你少走很多弯路。
这套复习方法的核心思路很简单：西瓜书不是拿来从头到尾反复读的，而是拿来“按考法拆解”的。书里的数学推导不是为了考你背公式，而是为了考你理解模型“为什么这么做”；书里的算法描述不是为了让你默写伪代码，而是为了让你能在给定数据时手算出结果。所以复习时一定要带着“出题人视角”去读，看到每个算法都问自己一句：如果我是老师，我会拿这个知识点怎么出题？想通了这个问题，你手里的西瓜书就从一本教材变成了一本题库。
1. 先把西瓜书“读薄”：全书框架与知识主线
1.1 西瓜书的八条核心主线
很多同学拿到西瓜书第一反应是“怎么这么多章，怎么这么多公式”。确实，周志华老师这本书信息密度极高，从传统的线性模型一路讲到深度学习、强化学习，几乎覆盖了机器学习的主流方向。但如果你静下心来把目录过一遍，会发现全书其实就围绕八条主线在展开。
第一条线是“基本概念与框架”，对应第一章绪论和第二章模型评估与选择。这一部分告诉你机器学习到底在解决什么问题、什么样的模型是“好”的、怎么证明一个模型比另一个模型更好。第二条线是“监督学习”，涵盖线性模型、决策树、神经网络、支持向量机、贝叶斯分类器、集成学习这六类经典算法，这是考试当之无愧的绝对核心。第三条线是“无监督学习”，包括聚类、降维与度量学习，期末卷面上至少会有一道聚类或PCA相关的计算分析题。第四条线是“特征与稀疏性”，对应特征选择章节。第五条线是“计算学习理论”，涉及泛化误差界等偏理论的内容，部分学校会考概念级别的选择题。第六条线是“半监督学习”，第七条线是“概率图模型”，第八条线是“强化学习”。
对于2022年河南大学这种期末场景，复习优先级应该按照“第二条线 > 第三条线 > 第一条线 > 第四条线 > 剩余章节”来排。并不是说后面章节不重要，而是在有限时间内，必须把精力放到高频考点上。我曾经见过有同学花了一整晚研究KL散度的推导，结果考试只考了一个选择题，而隔壁同学把LDA的推导背熟了直接拿下15分大题。这就是复习策略的差距。
1.2 不同章节在考试中的“性价比”排序
我自己把西瓜书各章节的考试性价比做了一个排序，标准是“出题概率 × 单题分值 ÷ 需要投入的复习时间”，这个指标能够帮你快速判断该在哪些章节多花时间。
第一梯队是第三章线性模型、第四章决策树、第五章神经网络、第六章支持向量机、第七章贝叶斯分类器、第八章集成学习。这些章节每一章都值得你投入至少3到4小时做深度推导，因为计算题和推导题基本都从这里面出。第二梯队是第二章模型评估与选择、第九章聚类、第十章降维与度量学习，这三章的复习时间可以控制在每章1.5小时左右，重点是掌握概念、公式含义和简单计算。第三梯队是第一章绪论、第十一章特征选择与稀疏学习、第十二章计算学习理论，这些章节以选择题和判断题为主，每章用1小时过一遍核心概念就够了。剩下的章节像半监督学习、概率图模型、规则学习、强化学习，如果课时没展开讲，期末通常只出1到2个选择题，考前半天扫一遍概念即可。
注意，这是我根据一般高校期末出题规律总结的经验，不同学校命题风格差异很大。如果你手里有往届真题，最好先看真题再定复习重点，没有真题的话按这个排序走是风险最低的策略。
2. 高频考点逐个击破：公式、推导与典型例题
2.1 模型评估与性能度量：选择题和简答题的必争之地
第二章是整个机器学习课程里概念最密集的一章，也是期末选择题最容易丢分的地方。我复习这一章时最大的感受是：概念之间非常相似，稍不注意就会搞混。比如“过拟合”和“欠拟合”的区别、“留出法”和“交叉验证法”的适用场景、“查准率”和“查全率”此消彼长的关系，这些几乎是每年必考的点。
先说过拟合和欠拟合。过拟合就是模型把训练数据里的噪声也学进去了，导致训练集上表现很好但测试集上表现很差；欠拟合则是模型太简单，连训练数据的基本规律都没学到。解决过拟合的常见手段包括正则化、增加训练数据、降低模型复杂度、集成学习中的Bagging等；解决欠拟合的手段包括增加模型复杂度、增加特征、减少正则化系数等。这里要注意，问“哪个方法是用来解决过拟合的”和“哪个方法能同时缓解过拟合和欠拟合”是完全不同的两个问题，审题一定要仔细。
评估方法也是高频考点。留出法直接把数据集划分成互斥的训练集和测试集，注意保持类别比例；交叉验证法把数据分成k折，每次用k-1折训练、1折测试，重复k次后取平均，常见的k值有5和10；自助法通过有放回采样生成训练集，当m次采样后，约有36.8%的样本不会出现在训练集中，这些样本被称为“包外样本”。这里有一个非常经典的推导：每次采样一个样本不被采到的概率是(1-1/m)，连续m次都不被采到的概率是(1-1/m)^m，当m趋近无穷大时这个值约等于e^{-1}，也就是0.368。这个推导既可以用在选择题里，也可能出现在简答题里，建议背熟。
性能度量部分的核心是混淆矩阵。真阳性TP、假阳性FP、真阴性TN、假阴性FN这四个概念是基础，然后查准率P = TP/(TP+FP)，查全率R = TP/(TP+FN)。这两个指标一个强调“预测为正的里面有多少是对的”，一个强调“实际为正的里面有多少被找出来了”，两者通常互相矛盾。F1是两者的调和平均，公式是F1 = 2PR/(P+R)。更进一步的，还有Fβ这种带权重的版本，β > 1时查全率影响更大，β < 1时查准率影响更大。ROC曲线和AUC也经常考，ROC曲线的横轴是假正例率FPR = FP/(FP+TN)，纵轴是真正例率TPR = TP/(TP+FN)，AUC是ROC曲线下的面积，越大代表模型性能越好。复习时建议自己动手画一遍ROC曲线，理解“曲线越靠近左上角性能越好”的原因。
2.2 线性模型与决策树：计算大题的两大主力
线性模型这一章几乎每年都会出一道计算题，最常见的就是最小二乘求解线性回归和对数几率回归的理解。决策树这章的信息增益计算也是计算题的头号种子，只要给你一个小数据集，让你计算某个属性的信息增益或基尼指数，这就属于送分题，但前提是你把公式记得滚瓜烂熟。
线性回归的核心是最小二乘法。给定训练数据，我们的目标是找到w和b让均方误差最小化。对于一元线性回归，参数解有闭式公式：w = Σ(y_i - y_bar)(x_i - x_bar) / Σ(x_i - x_bar)^2，b = y_bar - wx_bar。如果扩展到多元线性回归，就可以写成矩阵形式：w= (X^T X)^{-1} X^T y。这个矩阵形式非常容易考简答题，“简述线性回归的最小二乘参数估计过程”，回答套路就是把损失函数写出来、求导、令导数为零、求解。这里要注意，一个容易踩的坑是X^T X不一定可逆，教材里也提到了可以引入正则化项解决这个问题。
对数几率回归（逻辑回归）也是个常考点。它本质上是用sigmoid函数将线性回归的输出映射到(0,1)区间，从而能做分类。sigmoid函数形式是y = 1/(1+e^{-z})，它的一个重要性质是：y/(1-y) = e^z，也就是说对数几率是输入的线性函数。这一点在简答题里经常考，问你“为什么逻辑回归叫做对数几率回归”，答案就是这句话。逻辑回归的参数估计是通过极大似然法，对数似然函数求最大化，但求解没有闭式解，通常用梯度下降等数值优化方法。梯度这个概念在热搜词里也出现了，复习时要把“梯度方向是函数值上升最快的方向”这句话刻在脑子里。
决策树这部分，必须先掌握三个经典准则：信息增益、增益率、基尼指数。信息增益对应ID3决策树，增益率对应C4.5，基尼指数对应CART。信息熵公式：Ent(D) = -Σ_{k=1}^{|Y|} p_k log2 p_k，信息增益：Gain(D,a) = Ent(D) - Σ_{v=1}^{V} |D^v|/|D| * Ent(D^v)，这里的V是属性a的取值数。举个例子，如果根节点有10个样本，5个正例5个负例，那么Ent(D) = -0.5 log2 0.5 - 0.5 log2 0.5 = 1。按某个属性划分后，如果子节点的加权熵和是0.6，则信息增益为0.4。增益率的计算还要除以属性的固有值IV(a) = -Σ |D^v|/|D| log2(|D^v|/|D|)，这个固有值刻画的是属性取值数越多，IV越大，从而对信息增益做了惩罚。
决策树的剪枝也是简答常客。预剪枝是在生成过程中先评估再决定是否划分，后剪枝是先生成完整树再自底向上考察非叶节点替换为叶节点能否提升验证集精度。预剪枝的好处是训练时间短、避免过拟合，但有“欠拟合”风险；后剪枝欠拟合风险小、泛化性能通常更好，但训练时间成本更高。这个对比几乎每年都考，不管是选择题还是简答题，都建议背下来。
2.3 神经网络与SVM：推导题的灵魂
如果说线性模型和决策树是“算得出答案”，那神经网络和SVM就是“推得出过程”。这两章的推导题是拉开分数差距的关键。复习的时候不能只背结论，要把推导链条完整走一遍。
神经网络的考点集中在感知机和BP（误差逆传播）算法。感知机是最简单的神经网络，只有输入层和输出层，适用于线性可分问题，学习规则本质上是错误的驱动。BP算法是反向传播的经典算法，通过计算输出层误差，把误差逆向传播到隐层，从而更新各层连接权重。期末如果考BP推导，通常不会让你算一个完整的复杂网络，而是给你一个简化结构，比如一个单隐层网络，输入层两个节点、隐层两个节点、输出层一个节点，让你根据给定数据和学习率计算一轮权重更新。这种题的关键是搞清楚误差项的计算顺序：先算输出层误差g_j，再算隐层误差e_h，最后更新权重。输出层误差g_j = y_j(1-y_j)(hat_y_j - y_j)，隐层误差e_h = b_h(1-b_h) Σ w_hj g_j，然后权重更新Δw_hj = η g_j b_h，Δv_ih = η e_h x_i。这里注意学习率η的选取，通常取0.1到0.5之间，如果一轮更新后数据变化太大，说明学习率可能偏高。
SVM这章的核心是“最大间隔”思想。要理解为什么SVM要找最大间隔的超平面：间隔越大，泛化能力越强，分类结果的置信度越高。间隔的公式是2/||w||，最大化间隔等价于最小化||w||^2/2，约束条件是y_i(w·x_i + b) ≥ 1。用拉格朗日对偶法求解，转成对偶问题后就会出现核函数。核函数是SVM的精华，它的作用是隐式地把数据映射到高维空间，使得原本线性不可分的问题在高维空间变得线性可分。常用的核函数有线性核、多项式核、高斯核（RBF）。RBF的公式是κ(x_i, x_j) = exp(-||x_i - x_j||^2 / (2σ^2))，其中σ控制高斯核的作用半径。软间隔的引入是为了处理噪声和异常点，通过松弛变量允许部分样本不满足硬间隔约束，同时加上惩罚参数C来控制“犯错”的代价。C越大，对误分类的惩罚越大，模型越容易过拟合；C越小，模型可能欠拟合。这个C的含义经常会出选择题。
2.4 贝叶斯与集成学习：简答题的钉子户
贝叶斯分类器和集成学习这两章，是简答题最钟爱的素材。
贝叶斯分类器的理论基础是贝叶斯公式：P(c|x) = P(c)P(x|c) / P(x)，目标是找后验概率最大的类别。难点在于直接计算P(x|c)往往不可行，所以引入了“属性条件独立假设”，也就是各个属性之间相互独立、互不影响，这就是朴素贝叶斯分类器。朴素贝叶斯的训练过程就是基于训练集估计类先验概率P(c)和每个属性的条件概率P(x_i|c)。当属性是离散值时，直接用频率估计；当属性是连续值时，通常假设服从正态分布，用极大似然法估计均值和方差。这里有一个高频考点：拉普拉斯平滑。为什么要做平滑？因为如果某个属性值在训练集中没有和某个类别同时出现过，直接用频率估计会出现概率为0的情况，连乘之后整个后验概率就是0，这显然不合理。拉普拉斯平滑的做法是分子加1，分母加类别数或属性取值数。
贝叶斯章节还有可能出计算题，比如给你一个是否打网球的经典数据集，让你计算某个新样本在朴素贝叶斯分类器下属于哪个类别。这种题本质上是条件概率计算，难度不大，但要注意连乘概率很小，最好用小数形式或者比较分子大小来避免精度问题。
集成学习的核心思想是“三个臭皮匠顶一个诸葛亮”，将多个弱学习器组合成一个强学习器。重点掌握三大流派：Boosting、Bagging、随机森林。Boosting的代表是AdaBoost，核心思想是串行训练，每一个新学习器都重点关注之前被分错的样本。具体做法是：初始化样本权重为1/m，每次训练完一个基学习器后计算错误率ε，把错误率高的样本权重调大、正确分类的样本权重调小，同时给这个学习器分配权重α = 1/2 ln((1-ε)/ε)。注意，只有错误率ε < 0.5的基学习器才有正权重，随机猜测的错误率就是0.5，比随机还差的学习器没有价值。
Bagging和随机森林都是并行训练的思路。Bagging通过自助采样生成多个训练集，分别训练多个基学习器然后投票，这种做法的好处是能降低方差、减少过拟合。随机森林是Bagging的延伸，它在基决策树的每个节点上随机选择一个属性子集，然后从子集中选最优划分属性。随机森林的“随机”体现在两个层面：样本随机（自助采样）和属性随机（属性子集选择）。这两个随机性让随机森林的基学习器之间的相关性更低，从而进一步提升集成效果。简答题如果问“Bagging和随机森林的区别”，核心答案就是“随机森林在Bagging基础上增加了属性扰动”，这句话就能拿一半分。
3. 实操复习路线：从零到及格的冲刺计划
3.1 复习资料与工具准备
期末复习不需要也没有时间刷大量课外题，把以下这几样资料吃透就够了，关键是要会用它们。第一是西瓜书教材本身，这是最核心的资料，所有考点都源自这本书。第二是西瓜书课后习题，T1到T10的题目质量很高，特别是计算题和推导题，强烈建议做一遍。有些版本的习题解析在一些学习交流群里可以找到，但不要直接抄，一定要自己动手推到能写出来的程度。第三是课堂PPT或笔记，老师上课强调过的内容往往是期末考试的重点。第四是往届真题，如果学长学姐手里有，那是无价之宝，真题能帮你快速定位本校的出题风格。
工具方面，建议准备一个计算器（含开方和对数运算功能的那种）、一沓A4白纸、几支不同颜色的笔。为什么强调白纸？因为机器学习的推导题需要用草稿纸完整推演，白纸比横格纸更适合写公式。颜色笔用来标注不同层次的公式，比如黑色写题目、蓝色写公式推导、红色写最终结论和易错点，这种“三色笔记法”在考前冲刺时效率极高。
还有一个很重要的建议：把自己当作“出题人”，每复习完一章，就在纸上自己出两道题，一道概念简答、一道计算推导，然后合上书本尝试作答。如果你能把你出的题解出来，说明你真正掌握了这一章；如果写不出来，恭喜你，你在考前就发现了自己的知识漏洞，这比在考场上发现要好一万倍——这是我的亲身经历。
3.2 为期7天的分阶段复习安排
根据2022HENU的期末时间安排，我假定你考试前大约有一周时间集中复习。如果连一周都没有，至少也要保证3个完整的白天。下面这个七天计划是我亲测有效的版本，你可以根据自己的时间压缩或扩展。
第1天（约6小时）：集中攻克第一章和第二章。通读教材，把所有概念过一遍，重点记忆过拟合与欠拟合、评估方法、性能度量相关的定义，动手画一次ROC曲线。晚上的时间用来刷第二章的选择题和简答题，目标是把概念题的错误率降到20%以内。
第2天（约7小时）：主攻第三章线性模型。上午推一遍一元和多元线性回归的最小二乘解，理解矩阵形式的来龙去脉；下午研究逻辑回归和LDA，把“为什么叫对数几率回归”这个问题彻底想明白；晚上用西瓜书课后习题3.1到3.5练手，这五道题涵盖了本章几乎所有计算题型。
第3天（约7小时）：主攻第四章决策树。上午梳理信息熵、信息增益、增益率、基尼指数的公式，做两个手动计算的例子。特别注意：计算时log必须以2为底，很多同学用自然对数算出错误答案，这是低级失误。下午学习剪枝处理和连续值、缺失值处理。晚上做课后习题4.1到4.4。
第4天（约7小时）：主攻第五章神经网络和第六章SVM。这两天是整个复习计划里最烧脑的时间段。上午理解感知机和BP算法的推导，找一个单隐层BP计算例子从输入到输出完整算一遍；下午研究SVM的对偶问题、核函数和软间隔，至少要把RBF核的公式和高斯核参数的含义背下来。晚上做BP和SVM相关习题，允许自己在推导过程中翻书，但最终要能做到不看书写出完整推导。
第5天（约7小时）：主攻第七章贝叶斯与第八章集成学习。上午学习贝叶斯决策论和朴素贝叶斯参数估计，把拉普拉斯平滑的公式抄三遍加深记忆；下午学习AdaBoost和Bagging、随机森林，把三者的训练流程和区别用表格整理出来。晚上做课后习题7.1到7.6和8.1到8.5，重点训练简答题的答题语言。
第6天（约6小时）：主攻第九章聚类、第十章降维与度量学习。重点掌握k均值算法的流程（选取k个中心点、分配样本、更新中心点、重复迭代）、DBSCAN的密度可达概念、PCA的降维推导思路。这些章节不会考太深，但k均值聚类和PCA都有可能出现计算题。PCA的核心是求协方差矩阵的特征值和特征向量，然后取前d'个最大特征值对应的特征向量构成投影矩阵，这个流程要能完整叙述。
第7天（约6小时）：全真模拟。找一套往届真题或自己组合一套模拟题，严格按照考试时间（通常是2小时）做一遍。做完后对照答案逐题分析失分原因。下午查漏补缺，把之前标记的易错点过一遍，背诵每章的核心简答题答案。晚上早睡，不要再熬夜，确保第二天头脑清醒。
3.3 推导题、计算题、简答题的答题套路
这三种题型各有各的套路，掌握了套路就赢了一半。
推导题的答题流程是：先写已知条件和目标，然后列出模型基本假设，写出目标函数，求导、联立方程、解参数，最后给出结论。以“推导线性回归的最小二乘解”为例，标准答题框架是：(1) 设模型f(x) = w^T x + b，目标是最小化均方误差；(2) 为方便求导，把b吸收进w，构造增广向量；(3) E = (y - Xw)^T (y - Xw)；(4) 对w求偏导得dE/dw = 2X^T(Xw - y)；(5) 令偏导为零，得w* = (X^T X)^{-1} X^T y；(6) 讨论X^T X可逆与否。每一步都会得分，跳步就等于丢分。
计算题的答题流程是：先写公式，再代数据，最后给结论。每一步都要写得清清楚楚，不要在草稿纸上算完就直接写答案。阅卷老师是按过程给分的，就算最终答案错了，只要公式对、代入过程对，也能拿到大部分分数。反过来，只有答案没有过程，一道10分的题可能只能拿2分。我见过太多同学算法全对、计算结果算错，最后捶胸顿足，就是因为过程写太简略。
简答题的答题套路是“定义 + 特点 + 对比/举例”三段式。举个例子，如果题目问“简述预剪枝和后剪枝的区别”，不要只写一句话，要这样答：先给出两种剪枝的定义（预剪枝在决策树生成过程中提前停止划分，后剪枝先生成完整树再自底向上判断是否替换为叶节点），再说各自的特点（预剪枝效率高但有欠拟合风险，后剪枝泛化性能更好但计算成本高），最后加一句“通常后剪枝更优”或者“实际中更多使用后剪枝”。这样三个要点踩全了，满分稳拿。
4. 高频易错点与考场实战指南
4.1 容易丢分的细节清单
根据我观察到的历届同学常见错误，这里列一份“丢分清单”，看完之后你至少能少丢10分。
第一，信息增益计算中log的底数必须是2。章节里公式写的是log2，但很多同学在计算时直接用计算器上的自然对数ln，导致结果错误。考试时如果计算器没有log2功能，可以利用换底公式log2(x) = ln(x)/ln(2)来算。
第二，混淆矩阵的四个指标记反。TP是真阳，FN是假阴，FP是假阳，TN是真阴。一个记忆技巧：第一个字母T/F表示预测是否正确，第二个字母P/N表示预测结果的正负。TP就是预测为正且预测对了，FN是预测为负但实际上错了。把四个指标和查准率查全率公式连起来记，就不容易混。
第三，SVM中“支持向量”的定义模糊。考试如果问“什么是支持向量”，标准答案是“距离超平面最近的几个训练样本点”，注意是“距离最近”不是“距离最远”。间隔是两侧支持向量到超平面的距离之和，最大化间隔就是要让这些最近的样本也能离超平面尽量远。
第四，朴素贝叶斯的“朴素”到底指的是什么。很多同学写“朴素贝叶斯比较朴素”，这种答案等于没写。“朴素”指的是假设所有属性相互独立，这个假设在现实中往往不成立，但它大大简化了计算，所以才叫“朴素”。回答时一定要点出属性条件独立假设这一层意思。
第五，AdaBoost中样本权重和学习器权重的关系搞混。样本权重是指训练样本被采样的概率权重，误差大的样本权重会变大；学习器权重α是最终集成时这个学习器的投票权重，错误率越低α越大。两者是联动关系：这一轮分错得越多，下一轮这个样本的权重就越大；但这个学习器本身的贡献α反而越小。这个逻辑链条要梳理清楚。
第六，PCA和特征选择的区别。PCA是提取新特征，新特征是原始特征的线性组合，是可解释性降低但维度缩减；特征选择是从原始特征中挑一个子集，不产生新特征。这两种思路在简答题中经常被拿来对比。
4.2 考场时间分配与答题策略
期末试卷的题量和难度因校而异，但总体上可以按“选择题30到40分钟、简单计算题30分钟、综合推导题45分钟、剩下时间检查”的节奏安排。如果卷面有大题且分值很高，建议先做你会的大题，再回头做犹豫不决的选择题。理由很现实：大题过程分多，投入产出比高；选择题蒙一个还有25%的正确率，而大题空着就是零分。
遇到不会的推导题先别慌。机器学习的所有推导题几乎都是同一个套路：写出模型假设，列出目标函数，然后把已知条件往公式里带。哪怕你只写到“根据题意，目标函数为E = ...”这一步，也有过程分了。最怕的是什么都不写，白白丢掉所有能拿的分数。
答题时还要注意卷面的公式规范。矩阵、向量要用加粗或者箭头标出，下标上标写清晰，求和符号Σ的上下限别省略。阅卷老师每天改几百份卷子，一份字迹潦草、符号混乱的答卷和一个排版清晰、步骤完整的答卷放在一起，分数差距可能达到3到5分。字不用多好看，但一定要让阅卷老师能轻松看懂你的推导链路。
4.3 复习过程中最常见的几个心态问题
我在期末复习阶段见过很多同学陷入类似的困境，这里集中说三个典型情况以及我的应对建议。
一是“刷了一遍书但好像什么都没记住”。这太正常了，西瓜书本来就不是一遍能读透的。正确的做法是在第一遍只画重点不做笔记，第二遍边读边整理每章的知识结构图和核心公式，第三遍直接看自己的笔记快速回顾。三遍下来，信息自然就进了脑子，关键是你不要指望一遍读完就完事。
二是“公式太多背不下来”。背公式要讲逻辑，不要死记硬背。信息增益的公式可以从熵的定义推导出来，BP算法的误差项可以从链式法则推导出来，SVM的对偶问题可以从拉格朗日乘子法推导出来。理解了公式从哪里来、物理意义是什么，就自然记住了。有个很实用的技巧：把每个公式里符号的含义写在公式旁边，比如“w是权重向量，d是特征维数，η是学习率”，大脑对符号和意义的连接会让记忆更牢固。
三是“做题总是出错，很打击信心”。做题出错是考前最宝贵的信号，它说明你找到了一个可以补救的漏洞。我当年复习西瓜书时，做课后习题错误率一度超过50%，但我把每个错题都整理进了一个错题本，考前最后一天只翻错题本。最后上考场时，那些错题几乎都变成了我的得分点。所以千万不要怕错，要把错题当成免费的模拟考，每一道错题都是你的私人定制复习资料。
最后说几句掏心窝的话
机器学习这门课，期末考的是你对核心概念的理解深度和基本模型的推导能力。西瓜书里的数学推导看起来唬人，但拆开来看，每一个公式都能找到非常直观的几何或概率含义。你不需要成为数学天才，你需要的是沉下心来，把一个模型从假设到推导再到应用完整走一遍。这条路径我已经走过，我能负责任地告诉你：当你亲手推出了SVM的对偶形式，当你独立算完一棵决策树的信息增益，那种“通了”的感觉会抵消掉之前所有的辛苦。
还有个小技巧想分享给正在突击的你：把每章的核心公式写在一张A4纸上，正面写公式，反面写公式对应的应用场景和典型例题。考前最后两小时，只看这些纸，不看教材。这个方法帮助我在无数场专业课考试里稳住了心态。因为当你能对着公式说出“这是什么、用在哪儿、怎么算”的时候，你就已经站在及格线之上了。剩下的，交给考场上的冷静发挥就好。
