机器学习期末 · 公式与易混对照
这张图讲什么
「机器学习期末 · 公式与易混对照」是 SeekFlaw 编辑团队整理的思维导图,分 6 个一级分支:损失函数、线性回归和逻辑回归的公式;梯度下降怎么算、学习率怎么影响;过拟合、欠拟合和正则化怎么区分;偏差与方差、Bagging 与 Boosting;准确率、精确率、召回率、F1、AUC 怎么算;经典模型对照:决策树、KNN、朴素贝叶斯、SVM、神经网络,共 92 个节点、91 张记忆卡,含 6 张配图。
这张图是机器学习期末的公式与易混对照,共六块:损失函数与线性、逻辑回归,梯度下降,过拟合与正则化,偏差方差与集成,评价指标,经典模型对照。每个公式都配一个自己算过的小例子,建议先把评价指标和梯度下降的算例自己重算一遍,再背易混对照(L1 与 L2、精确率与召回率、Bagging 与 Boosting、KNN 与 K-means)。
5 个要点
- 损失函数、线性回归和逻辑回归的公式:这一枝是公式的起点:损失怎么定义、回归与分类用什么损失、sigmoid 与 softmax 怎么算。
- 梯度下降怎么算、学习率怎么影响:这一枝是计算题的主角:更新公式、手算几步、学习率太大或太小的后果、几种梯度下降的区别,以及与正规方程的对比。
- 过拟合、欠拟合和正则化怎么区分:这一枝对比现象和对策:训练误差与验证误差的关系决定是哪种问题,L1 与 L2 的差别是重点,还有 dropout 和早停。
- 偏差与方差、Bagging 与 Boosting:这一枝讲误差来源和集成方法。
- 准确率、精确率、召回率、F1、AUC 怎么算:评价指标是期末计算题的高频内容:先画混淆矩阵,再套公式。
适用:大学期末复习。用法:点开任一节点先自己答,再翻面核对。
配图:J=(w−3)² 的梯度下降三步示意图;L1 菱形与 L2 圆形约束区域示意图;训练误差与验证误差随复杂度变化;混淆矩阵与四个分类指标的算例;ROC 曲线示意图;3-4-2 全连接网络与参数个数。
更新于
一句话:这张图把「机器学习期末 · 公式与易混对照」整理成 92 个节点、91 张记忆卡;点开节点翻面就能看答案。
把机器学习期末的公式和易混概念放在一起:损失函数、梯度下降、正则化、偏差方差、评价指标、经典模型,每个公式配算例。点开任一节点翻面看答案,登录后可存进自己的空间,按遗忘曲线复习。
SeekFlaw 求瑕是面向初中、高中、考研、考公考前速记的思维导图与记忆卡平台:把课件、讲义变成思维导图,节点翻面就是记忆卡,按遗忘曲线安排复习。
92 个节点 · 91 张记忆卡。作者:SeekFlaw 编辑团队;发布于 2026-11-20。
先看这 3 条
- 损失、代价、目标函数怎么区分:损失函数针对单个样本的预测误差;代价函数是整个训练集上损失的平均;目标函数是最终要最小化的函数,通常是 代价函数加正则项 。
- 过拟合和欠拟合怎么区分:看训练误差和验证误差:欠拟合是两者都高,过拟合是训练误差低、验证误差明显更高。
- 监督、无监督、半监督、强化学习怎么区分:关键看数据有没有标签,以及学习信号从哪来。
损失函数、线性回归和逻辑回归的公式
- 损失、代价、目标函数怎么区分:损失函数针对单个样本的预测误差;代价函数是整个训练集上损失的平均;目标函数是最终要最小化的函数,通常是 代价函数加正则项 。 $$J(\theta)=\frac{1}{m}\sum_{i=1}^{m}L(\hat y_i,y_i)$$ 易…
- 均方误差和平均绝对误差有什么区别:均方误差 $\text{MSE}=\frac1m\sum(\hat y-y)^2$ 对大误差惩罚更重,对 异常值敏感 ,处处可导;平均绝对误差 $\text{MAE}=\frac1m\sum|\hat y-y|$ 对异常值更稳健,但在 0…
- 二分类交叉熵损失怎么写:$$L=-\big[y\ln p+(1-y)\ln(1-p)\big]$$ 其中 $y\in\{0,1\}$,$p$ 是预测为正类的概率。预测越自信却越错,损失越大。 例 $y=1,\ p=0.8$:$L=-\ln0.8\approx0.…
- 分类为什么常用交叉熵而不是均方误差:配合 sigmoid 或 softmax 时,交叉熵对 $z$ 的梯度是 $p-y$, 误差越大梯度越大 ,学得快;sigmoid 输出配均方误差时,梯度里多一个 $\sigma'(z)$,输出饱和时梯度很小,学得慢。 区分 逻辑回归用交…
- 多分类交叉熵怎么写:softmax 给出各类概率 $p_k$ 后,多分类交叉熵为: $$L=-\sum_{k}y_k\ln p_k$$ 其中 $y$ 是独热标签,只有真实类别那一项为 1,所以损失就是 $-\ln p_{\text{真实类}}$。 例 三分类…
- sigmoid 的公式和性质:$$\sigma(z)=\frac{1}{1+e^{-z}}$$ 值域是 $(0,1)$,$\sigma(0)=0.5$,导数 $\sigma'(z)=\sigma(z)\big(1-\sigma(z)\big)$,最大值 0.25。 易…
- softmax 的公式,和 sigmoid 什么关系:$$p_k=\frac{e^{z_k}}{\sum_j e^{z_j}}$$ 各类概率和为 1。只有两类时等价于 sigmoid。 例 $z=(2,1,0)$:$e^2\approx7.389$,$e^1\approx2.718$,$e^…
- 线性回归和逻辑回归有什么区别:线性回归输出 连续值 ,常用均方误差;逻辑回归输出 概率 ,用于分类,常用交叉熵,形式是「线性组合再套 sigmoid」。 易错 逻辑回归虽然叫回归,却是 分类模型 。
- 线性回归的正规方程是什么:最小二乘解可以用正规方程一步算出,公式是: $$\hat{\boldsymbol w}=(X^\top X)^{-1}X^\top\boldsymbol y$$ $X$ 的第一列取全 1(对应截距);要求 $X^\top X$ 可逆($X…
- 逻辑回归的决策边界是什么:$p=\sigma(\boldsymbol w^\top\boldsymbol x+b)\ge0.5$ 等价于 $\boldsymbol w^\top\boldsymbol x+b\ge0$ 时预测正类,所以 决策边界是线性的 (直线或超…
梯度下降怎么算、学习率怎么影响
- 梯度下降的更新公式:$$\theta\leftarrow\theta-\eta\,\nabla_{\theta}J(\theta)$$ $\eta$ 是学习率;沿 负梯度 方向走,函数值下降最快(局部)。 易错 是 减去 梯度,不是加上;梯度指向的是函数上升…
- 例:手算一维函数的梯度下降:手算时每一步都套更新公式,并用当前的 $w$ 重新算梯度。 例 目标 $J(w)=(w-3)^2$,梯度 $2(w-3)$,初值 $w_0=0$,$\eta=0.1$:$w_1=0-0.1\times(-6)=0.6$;$w_2=0.6-…
- 线性回归的均方误差梯度是什么:设 $J=\frac{1}{2m}\|X\boldsymbol w-\boldsymbol y\|^2$,则梯度为: $$\nabla J=\frac{1}{m}X^\top(X\boldsymbol w-\boldsymbol y)$$…
- 学习率过大和过小各有什么后果:学习率过大会在最小点附近来回震荡,甚至 发散 ;过小则收敛太慢,容易停在平坦处。 例 目标 $J(w)=(w-3)^2$,$\eta=1.1$:每步 $w-3$ 乘以 $1-2\eta=-1.2$,从 $w_0=0$ 出发依次得 6.6、…
- 逻辑回归单个样本的梯度:对交叉熵损失,权重和偏置的梯度形式很简单,都是「预测概率减真实标签」再乘输入: $$\frac{\partial L}{\partial w}=(p-y)\,x,\qquad \frac{\partial L}{\partial b}=p…
- 梯度下降前为什么要做特征缩放:各特征量纲差别大时,损失曲面呈 狭长的椭圆 ,梯度下降会走之字形,收敛很慢;标准化 $z=\frac{x-\mu}{\sigma}$ 或归一化后更接近圆,收敛更快。 例 房屋面积(几十到几百)和房间数(1~5)同时作为特征,应先缩放。
- 批量、随机、小批量梯度下降有什么区别:差别只在每次更新用多少样本:批量用全部样本,随机用 1 个样本,小批量用一小批。 区分 批量:稳定但慢;随机:快但噪声大;小批量:折中,实际中 最常用 。
- epoch、批大小、迭代次数怎么区分:epoch 是训练集完整过一遍;批大小是一次更新用的样本数;迭代是一次参数更新。1 个 epoch 的迭代次数 $=\left\lceil\frac{m}{\text{批大小}}\right\rceil$。 例 $m=1050$,批大小 …
- 动量法和 Adam 有什么区别:动量法累积历史梯度,Adam 再加上自适应步长。 区分 动量法 :$v\leftarrow\beta v+\nabla J$,再用 $v$ 更新,减少震荡、加速下降; Adam :同时维护梯度的一阶矩(类似动量)和二阶矩(平方梯度的平均)…
- 梯度下降和正规方程怎么选:正规方程一步求出解,不用选学习率,但要算 $(X^\top X)^{-1}$,特征数很多时开销大;梯度下降要选学习率、迭代,但 特征很多时仍可用 ,而且适用于 没有闭式解 的模型(如逻辑回归、神经网络)。
- 损失函数是凸函数有什么好处:凸函数的 局部最小点就是全局最小点 ,梯度下降(学习率合适时)不会困在局部极小。线性回归的均方误差、逻辑回归的交叉熵都是凸的;神经网络的损失非凸,可能遇到局部极小或鞍点。 易错 凸只说明没有坏的局部极小,收敛速度仍取决于学习率和特征缩放。
过拟合、欠拟合和正则化怎么区分
- 过拟合和欠拟合怎么区分:看训练误差和验证误差:欠拟合是两者都高,过拟合是训练误差低、验证误差明显更高。 区分 欠拟合: 两个误差都高 ;过拟合: 差距大 。 例 训练准确率 99%、验证准确率 70%,是过拟合;训练 65%、验证 63%,是欠拟合。
- 过拟合和欠拟合各有什么对策:过拟合:增加数据(含数据增强)、正则化、降低模型复杂度或减少特征、dropout、早停;欠拟合:增加模型复杂度、增加特征、减小正则化强度、训练更久。 易错 欠拟合时再增加数据通常没有帮助。
- 早停是什么:训练时监控验证集误差,验证误差 不再下降 (连续若干轮上升)就停止,取验证误差最小时的参数。 区分 早停是防止过拟合的方法,靠的是验证集,不是训练误差。
- L1 和 L2 正则化有什么区别:$$J=J_0+\lambda\sum_j|w_j|\quad(\text{L1}),\qquad J=J_0+\lambda\sum_j w_j^2\quad(\text{L2})$$ L1 倾向使部分权重 恰好为 0 ,得到 稀疏 解…
- 例:L1 和 L2 怎样看待两组权重:同样能拟合数据的两组权重 $(1,0)$ 和 $(0.5,0.5)$:L1 惩罚都是 1, 没有偏好 ;L2 惩罚分别是 1 和 0.5,所以 L2 更偏好把权重分散 。 记法 L1 看绝对值之和,L2 看平方和。
- 正则化系数 λ 怎样影响模型:$\lambda$ 越大,惩罚越重,权重越小,模型越简单: 偏差上升、方差下降 ;$\lambda=0$ 即不正则化;过大会造成欠拟合。 易错 $\lambda$ 是 超参数 ,用验证集选择,不是训练出来的。
- 岭回归和普通线性回归的解有什么不同:$$\hat{\boldsymbol w}=(X^\top X+\lambda I)^{-1}X^\top\boldsymbol y$$ 当 $\lambda\gt 0$ 时 $X^\top X+\lambda I$ 可逆,缓解特征共线问…
- dropout 是什么:训练时每次 随机让一部分神经元的输出置 0 (如概率 0.5),相当于训练许多子网络再集成,防止神经元之间过度依赖; 测试时不丢弃 ,并保持训练与测试的输出期望一致(原始做法是测试时按保留概率缩放,常见实现是训练时放大保留的输出)。 易错…
- 训练集、验证集、测试集各自的作用:训练集用来拟合参数,验证集用来选超参数和早停,测试集用来最后评估泛化性能, 不参与调参 。 易错 用测试集反复调参,会使评估结果偏乐观(数据泄漏)。
- k 折交叉验证怎么做:把数据分成 $k$ 份,轮流取其中 1 份验证、其余 $k-1$ 份训练,重复 $k$ 次,取验证结果的平均。 例 100 个样本做 5 折:每次 80 个训练、20 个验证,共训练 5 次;$k$ 取样本总数时叫留一法。
- 参数和超参数有什么区别:参数(权重 $w$、偏置 $b$)由训练学出;超参数在训练前人为设定,用验证集选择。 例 学习率、$\lambda$、近邻的 $k$、树的深度、隐藏层数都是超参数;权重和偏置是 参数 。
偏差与方差、Bagging 与 Boosting
- 偏差、方差、噪声分别指什么:平方损失下,期望泛化误差分解为: $$E\big[(y-\hat f)^2\big]=\text{Bias}^2+\text{Var}+\sigma^2$$ 区分 偏差:预测期望与真实值的差,反映拟合能力不足;方差:换一份训练集,预测的波…
- 高偏差和高方差怎么诊断、怎么应对:看训练误差和验证误差,对症下药。 区分 高偏差(欠拟合):训练误差高,验证误差也高且接近,应增加模型复杂度或特征;高方差(过拟合):训练误差低,验证误差高,应增加数据、正则化或降低复杂度。
- 模型越复杂,偏差和方差怎么变:复杂度升高: 偏差下降,方差上升 ;总误差先降后升,最优复杂度在中间。 易错 方差大不等于模型错,是对训练数据太敏感。 图:训练误差随复杂度升高持续下降,验证误差先降后升;左侧欠拟合,右侧过拟合,中间是最优复杂度。(SeekFlaw 编辑…
- Bagging 和 Boosting 有什么区别:两者都是把多个模型组合起来,区别在于怎么训练这些模型:Bagging 并行、主要降方差 ,Boosting 串行、主要降偏差 。 区分 Bagging 有放回抽样,各模型独立,平均或投票;Boosting 串行,后一个模型针对前面模型的不…
- 随机森林比单棵决策树好在哪:随机森林 = Bagging + 每个结点随机选 特征子集 。多棵树平均 降低方差 ,随机选特征使树之间相关性降低,平均效果更好。
- 自助采样每个样本被抽到的概率是多少:有放回抽 $m$ 次,某个样本一次都没被抽到的概率是 $\left(1-\frac1m\right)^m\to\frac1e\approx0.368$,所以自助样本里约有 63.2% 的不同样本;其余约 36.8% 是 袋外 样本,可用来…
准确率、精确率、召回率、F1、AUC 怎么算
- 混淆矩阵四个格子分别是什么:TP 是实际正、预测正;FP 是实际负、预测正;FN 是实际正、预测负;TN 是实际负、预测负。 记法 第二个字母 P/N 是 预测结果 ,第一个字母 T/F 表示预测对不对。
- 准确率、精确率、召回率、F1 的公式:$$\text{Acc}=\frac{TP+TN}{TP+TN+FP+FN},\quad P=\frac{TP}{TP+FP},\quad R=\frac{TP}{TP+FN}$$ $$F_1=\frac{2PR}{P+R}=\frac{…
- 例:由混淆矩阵算各指标:已知混淆矩阵的四个数,逐个代入公式即可。 例 $TP=40$,$FP=10$,$FN=20$,$TN=130$,共 200 个样本:$\text{Acc}=\frac{170}{200}=0.85$;$P=\frac{40}{50}=0.…
- 精确率和召回率各关注什么:精确率关注查准(预测为正的里有多少是真的正),召回率关注查全(实际为正的有多少被找出)。 区分 精确率怕 误报 ,召回率怕 漏报 。 例 垃圾邮件过滤宁可漏掉一些垃圾邮件,也不要误判正常邮件,更看重精确率;缺陷检测宁可多检也不放过,更看重…
- 提高分类阈值,精确率和召回率怎么变:通常是 精确率上升、召回率下降 :阈值越高,预测为正的越严格,漏掉的正例越多。阈值高到几乎不预测正类时,召回率趋近 0。 易错 这是「通常」的趋势,精确率随阈值并不一定单调。
- 类别不平衡时准确率为什么会骗人:类别极不平衡时,把所有样本都预测成多数类, 准确率也很高 。 例 1000 个样本里只有 10 个正例,模型全部预测为负:$\text{Acc}=\frac{990}{1000}=99\%$,但 $TP=0$,召回率为 0。应改看精确率、…
- F1 为什么用调和平均而不是算术平均:调和平均 偏向较小的那个值 ,只有精确率和召回率都高,$F_1$ 才高。 例 $P=1.0$,$R=0.1$:算术平均是 0.55,看起来不错;$F_1=\frac{2\times1.0\times0.1}{1.1}\approx0.18…
- ROC 曲线和 AUC 是什么:ROC 曲线横轴是 $\text{FPR}=\frac{FP}{FP+TN}$,纵轴是 $\text{TPR}=\frac{TP}{TP+FN}$(就是召回率);AUC 是曲线下面积,等于随机取一个正例和一个负例时, 正例得分更高的概率 …
- P-R 曲线和 ROC 曲线各适合什么情形:正负样本 极不平衡 且更关心正类时,P-R 曲线通常更能反映差别(ROC 因为大量负例,FPR 变化很小);类别比较均衡时,用 ROC 和 AUC 即可。
- 宏平均和微平均有什么区别:宏平均是各类指标分别算好再平均,微平均是先累加各类的 TP、FP、FN 再算总体指标。 区分 宏平均 每类权重相同 ;微平均样本多的类影响更大。 例 A 类 $TP=8,FP=2$,B 类 $TP=2,FP=4$:宏平均精确率 $=\fr…
- 回归常用哪些评价指标:MSE、RMSE、MAE、$R^2$。其中 $\text{RMSE}=\sqrt{\text{MSE}}$, 与目标值同量纲 ,更便于解释;$R^2$ 衡量模型比「始终预测样本均值」的基准好多少。 例 MSE 为 10/3 时,RMSE …
- R 平方怎么算,能不能为负:$$R^2=1-\frac{\sum(y_i-\hat y_i)^2}{\sum(y_i-\bar y)^2}$$ 对任意给定的预测(如测试集上),$R^2$ 可以为负 ,说明模型比直接预测均值还差;含截距的最小二乘在训练集上 $R^2\…
经典模型对照:决策树、KNN、朴素贝叶斯、SVM、神经网络
- 监督、无监督、半监督、强化学习怎么区分:关键看数据有没有标签,以及学习信号从哪来。 区分 监督:数据 有标签 (分类、回归);无监督:数据无标签(聚类、降维);半监督:少量有标签加大量无标签;强化学习:通过与环境交互得到奖励。
- 分类、回归、聚类、降维怎么区分:分类输出 离散类别 ,回归输出 连续值 ,二者都是监督学习;聚类把无标签样本分成簇,降维减少特征维度,二者是无监督学习。 例 预测房价是回归;判断邮件是否为垃圾邮件是分类;对用户分群是聚类。
- PCA 和 LDA 有什么区别:两者都是降维:PCA 不用标签,LDA 用标签。 区分 PCA 是无监督,保留 方差最大 的方向;LDA 是监督,使类间距离大、类内距离小。 易错 PCA 不使用类别标签,所以降维结果不一定有利于分类。
- 信息熵怎么算:信息熵衡量样本集合的不纯度,各类越均匀,熵越大。 $$H=-\sum_k p_k\log_2p_k$$ 例 8 个样本,6 个正例 2 个负例:$p=0.75,0.25$,$H\approx0.311+0.5=0.811$;4 正 4 负…
- 信息增益怎么算:$$\text{Gain}=H(D)-\sum_v\frac{|D_v|}{|D|}H(D_v)$$ 例 8 个样本(4 正 4 负,$H=1$),某属性把它分成 (3 正 1 负) 和 (1 正 3 负) 两份,每份 4 个、熵都约 0…
- 信息增益、增益率、基尼指数怎么区分:信息增益(ID3) 偏向取值多的属性 ;增益率(C4.5)用增益除以固有值来修正;基尼指数(CART)$\text{Gini}=1-\sum p_k^2$, 越小越纯 。 例 3 正 1 负:$\text{Gini}=1-(0.75^2+…
- 预剪枝和后剪枝有什么区别:预剪枝在生成过程中提前停止,后剪枝在生成完整的树之后再剪。 区分 预剪枝 :限制深度、增益不足就不再划分,快,但可能欠拟合; 后剪枝 :自底向上剪掉不能提升验证效果的子树,通常效果更好,但开销更大。
- 朴素贝叶斯的「朴素」指什么:假设给定类别时各特征 条件独立 :$P(c\mid x)\propto P(c)\prod_jP(x_j\mid c)$。 例 垃圾邮件占 0.4;垃圾邮件含「免费」的概率 0.5,正常邮件含 0.1。后验正比于 $0.4\times0.…
- 朴素贝叶斯为什么要做拉普拉斯平滑:某个特征值在训练集中从未与某类同时出现时,$P(x_j\mid c)=0$,连乘后整个后验变成 0。 拉普拉斯平滑 给每个计数加 1,分母加上取值个数,避免零概率。 例 某类共 10 个样本,某特征值出现 0 次,该特征有 3 种取值:平…
- 生成式模型和判别式模型有什么区别:判别式模型直接学 $P(y\mid x)$ 或决策边界, 生成式 模型学联合分布 $P(x,y)$。 区分 判别式:逻辑回归、SVM、决策树;生成式:用贝叶斯公式由 $P(x,y)$ 得到 $P(y\mid x)$,如朴素贝叶斯、隐马尔可…
- KNN 和 K-means 的 k 有什么区别:两个算法里 $k$ 的含义不同:KNN 里是邻居个数,K-means 里是簇的个数。 区分 KNN 是监督分类,取最近的 $k$ 个邻居投票; K-means 是无监督聚类,迭代分配点并更新簇中心。 易错 KNN 没有显式的训练过程(惰性…
- 例:KNN 的 k 怎样影响结果:$k=3$,按距离从近到远,3 个邻居的类别依次是 B、A、A,多数是 A,预测 A;若 $k=1$,只看最近的 B,预测 B。 区分 $k$ 越小越容易 过拟合 (对噪声敏感),$k$ 越大决策越平滑,但可能欠拟合。
- K-means 的迭代步骤:K-means 反复做 「分配点、更新中心」 ,直到中心不再变化。 步骤 ① 随机选 $k$ 个初始中心;② 每个点分配给最近的中心;③ 重算每个簇的均值作为新中心;④ 重复到中心不再变化。 例 一维点 1、2、9、10,$k=2$,初始…
- SVM 的间隔和支持向量是什么:SVM 找 间隔最大 的超平面 $\boldsymbol w^\top\boldsymbol x+b=0$,间隔为 $\frac{2}{\|\boldsymbol w\|}$; 支持向量 是落在间隔边界上的样本(软间隔时还包括越过边界的样…
- 核函数的作用是什么:把线性不可分的数据映射到高维空间使其线性可分,但 不显式计算映射 ,直接用核函数计算高维内积。常见的有线性核、多项式核、高斯(RBF)核。
- sigmoid、tanh、ReLU 怎么区分:sigmoid:值域 $(0,1)$;tanh:值域 $(-1,1)$,输出零中心;ReLU:$\max(0,z)$,计算简单,在正区间导数为 1,缓解梯度消失。 例 $\text{ReLU}(-2)=0$,$\text{ReLU}(3)…
- 全连接网络的参数个数怎么数:相邻两层之间的参数个数 $=(\text{输入单元数}+1)\times\text{输出单元数}$,其中 $+1$ 是偏置。 例 3-4-2 的网络(输入 3、隐藏 4、输出 2):$(3+1)\times4+(4+1)\times2=1…
- 反向传播的本质是什么:用 链式法则 把损失对参数的梯度,从输出层向输入层逐层算出来;有了梯度,再由梯度下降等方法更新参数。 例 单个样本,标签 $y\in\{0,1\}$,$z=wx+b$,$p=\sigma(z)$($\sigma$ 为 sigmoid 函数…
- 梯度消失和梯度爆炸是怎么回事:层数多时梯度是许多项的连乘:这些项普遍小于 1,梯度越往前越小( 消失 );普遍大于 1 则越来越大( 爆炸 )。对策:ReLU、合理初始化、批归一化、梯度裁剪、残差连接。 例 10 层 sigmoid,每层激活的导数因子至多 0.25,…
本图由 SeekFlaw 编辑团队整理。发现错误,欢迎到学习论坛指出。