2025年機器學習與應用專業(yè)模擬考試試題及答案一、單選題（每題2分，共12分）

1.以下哪個不是機器學習的基本類型？

A.監(jiān)督學習

B.無監(jiān)督學習

C.半監(jiān)督學習

D.強化學習

答案：C

2.在機器學習中，以下哪個算法不是基于決策樹的？

A.決策樹

B.隨機森林

C.支持向量機

D.神經網絡

答案：C

3.以下哪個不是特征選擇的方法？

A.相關性分析

B.遞歸特征消除

C.隨機森林

D.卡方檢驗

答案：C

4.在深度學習中，以下哪個不是常見的網絡結構？

A.卷積神經網絡

B.循環(huán)神經網絡

C.生成對抗網絡

D.貝葉斯網絡

答案：D

5.以下哪個不是機器學習中的評價指標？

A.準確率

B.召回率

C.F1分數(shù)

D.均方誤差

答案：D

6.以下哪個不是數(shù)據(jù)預處理的方法？

A.缺失值處理

B.異常值處理

C.特征編碼

D.數(shù)據(jù)降維

答案：D

二、多選題（每題3分，共18分）

7.以下哪些是機器學習中的監(jiān)督學習算法？

A.線性回歸

B.決策樹

C.支持向量機

D.神經網絡

答案：ABCD

8.以下哪些是機器學習中的無監(jiān)督學習算法？

A.K-means聚類

B.主成分分析

C.聚類層次

D.高斯混合模型

答案：ABCD

9.以下哪些是機器學習中的特征選擇方法？

A.相關性分析

B.遞歸特征消除

C.隨機森林

D.卡方檢驗

答案：ABCD

10.以下哪些是機器學習中的評價指標？

A.準確率

B.召回率

C.F1分數(shù)

D.均方誤差

答案：ABCD

11.以下哪些是機器學習中的數(shù)據(jù)預處理方法？

A.缺失值處理

B.異常值處理

C.特征編碼

D.數(shù)據(jù)降維

答案：ABCD

12.以下哪些是機器學習中的網絡結構？

A.卷積神經網絡

B.循環(huán)神經網絡

C.生成對抗網絡

D.貝葉斯網絡

答案：ABC

三、判斷題（每題2分，共12分）

13.機器學習是一種基于數(shù)據(jù)的算法，用于從數(shù)據(jù)中提取模式和知識。（正確）

答案：正確

14.監(jiān)督學習算法需要標記好的數(shù)據(jù)集進行訓練。（正確）

答案：正確

15.無監(jiān)督學習算法不需要標記好的數(shù)據(jù)集進行訓練。（正確）

答案：正確

16.支持向量機是一種基于決策樹的分類算法。（錯誤）

答案：錯誤

17.遞歸特征消除是一種特征選擇方法。（正確）

答案：正確

18.準確率是衡量分類模型性能的重要指標。（正確）

答案：正確

19.數(shù)據(jù)預處理是機器學習中的關鍵步驟。（正確）

答案：正確

20.生成對抗網絡是一種基于神經網絡的無監(jiān)督學習算法。（錯誤）

答案：錯誤

四、簡答題（每題6分，共36分）

21.簡述機器學習的基本類型及其特點。

答案：

（1）監(jiān)督學習：需要標記好的數(shù)據(jù)集進行訓練，通過學習輸入和輸出之間的關系來預測未知數(shù)據(jù)。特點：準確性高，但需要大量標注數(shù)據(jù)。

（2）無監(jiān)督學習：不需要標記好的數(shù)據(jù)集進行訓練，通過學習數(shù)據(jù)之間的內在結構來發(fā)現(xiàn)數(shù)據(jù)中的模式。特點：不需要標注數(shù)據(jù)，但發(fā)現(xiàn)模式的能力有限。

（3）半監(jiān)督學習：結合了監(jiān)督學習和無監(jiān)督學習，利用部分標記數(shù)據(jù)和大量未標記數(shù)據(jù)來提高模型性能。特點：在標注數(shù)據(jù)不足的情況下，能提高模型性能。

（4）強化學習：通過與環(huán)境的交互來學習最優(yōu)策略，使累積獎勵最大化。特點：適用于動態(tài)環(huán)境，但需要大量樣本和計算資源。

22.簡述特征選擇的方法及其應用場景。

答案：

（1）相關性分析：通過計算特征與目標變量之間的相關系數(shù)，篩選出與目標變量高度相關的特征。應用場景：在特征數(shù)量較多的情況下，篩選出關鍵特征。

（2）遞歸特征消除：通過遞歸地刪除不重要的特征，逐步減小特征集大小。應用場景：特征數(shù)量較多，且需要降低特征維度的場景。

（3）隨機森林：通過隨機選擇特征和決策樹組合，篩選出與目標變量高度相關的特征。應用場景：特征數(shù)量較多，且需要提高模型泛化能力的場景。

（4）卡方檢驗：通過計算特征與目標變量之間的卡方統(tǒng)計量，篩選出與目標變量高度相關的特征。應用場景：分類問題，且特征為離散值。

23.簡述機器學習中的數(shù)據(jù)預處理方法及其作用。

答案：

（1）缺失值處理：對缺失數(shù)據(jù)進行填充或刪除。作用：提高數(shù)據(jù)質量，避免模型受到缺失值的影響。

（2）異常值處理：識別并處理異常值。作用：提高數(shù)據(jù)質量，避免模型受到異常值的影響。

（3）特征編碼：將原始數(shù)據(jù)進行編碼，便于模型處理。作用：提高模型性能，避免模型受到數(shù)據(jù)格式的影響。

（4）數(shù)據(jù)降維：降低數(shù)據(jù)維度，減少計算量和提高模型性能。作用：提高模型性能，避免過擬合。

24.簡述機器學習中的網絡結構及其特點。

答案：

（1）卷積神經網絡：適用于圖像和視頻等數(shù)據(jù)。特點：能夠自動學習特征，具有良好的局部感知能力。

（2）循環(huán)神經網絡：適用于序列數(shù)據(jù)。特點：能夠處理時間序列數(shù)據(jù)，具有長期依賴性。

（3）生成對抗網絡：由生成器和判別器組成，用于生成具有真實數(shù)據(jù)分布的新數(shù)據(jù)。特點：能夠生成高質量的圖像和音頻數(shù)據(jù)。

（4）貝葉斯網絡：基于概率圖模型，用于描述變量之間的依賴關系。特點：能夠處理不確定性，具有強大的推理能力。

25.簡述機器學習中的評價指標及其作用。

答案：

（1）準確率：模型預測正確的樣本數(shù)占總樣本數(shù)的比例。作用：衡量模型的整體性能。

（2）召回率：模型預測正確的正類樣本數(shù)占總正類樣本數(shù)的比例。作用：衡量模型對正類的識別能力。

（3）F1分數(shù)：準確率和召回率的調和平均數(shù)。作用：綜合考慮準確率和召回率，衡量模型的綜合性能。

（4）均方誤差：衡量預測值與真實值之間的差異程度。作用：適用于回歸問題，衡量模型的預測精度。

五、應用題（每題12分，共48分）

26.某電商平臺需要預測用戶購買商品的概率，以下為其數(shù)據(jù)集部分信息：

|用戶ID|商品ID|購買標記|

|--------|--------|----------|

|1|1|1|

|1|2|0|

|1|3|1|

|2|1|0|

|2|2|1|

|2|3|0|

|...|...|...|

（1）請簡述如何使用機器學習算法進行用戶購買商品概率的預測。

（2）請簡述在預測過程中，需要考慮哪些因素。

（3）請簡述如何評估預測模型的性能。

答案：

（1）使用監(jiān)督學習算法，如邏輯回歸、決策樹等，通過學習用戶購買標記與商品特征之間的關系來預測用戶購買商品的概率。

（2）需要考慮以下因素：

a.特征工程：提取與用戶購買行為相關的特征，如商品類別、用戶年齡、用戶性別等。

b.數(shù)據(jù)預處理：對數(shù)據(jù)進行缺失值處理、異常值處理等，提高數(shù)據(jù)質量。

c.模型選擇：選擇合適的機器學習算法，如邏輯回歸、決策樹等。

d.調參優(yōu)化：調整模型參數(shù)，提高模型性能。

（3）評估預測模型性能的方法：

a.準確率：衡量模型預測正確的樣本數(shù)占總樣本數(shù)的比例。

b.召回率：衡量模型預測正確的正類樣本數(shù)占總正類樣本數(shù)的比例。

c.F1分數(shù)：綜合考慮準確率和召回率，衡量模型的綜合性能。

d.混淆矩陣：展示模型預測結果與真實結果之間的對應關系。

27.某公司需要對客戶流失進行預測，以下為其數(shù)據(jù)集部分信息：

|客戶ID|客戶年齡|客戶性別|客戶收入|客戶消費金額|流失標記|

|--------|--------|--------|--------|-------------|----------|

|1|25|男|5000|1000|0|

|1|26|女|6000|1500|1|

|2|30|男|8000|2000|0|

|2|35|女|10000|2500|1|

|...|...|...|...|...|...|

（1）請簡述如何使用機器學習算法進行客戶流失預測。

（2）請簡述在預測過程中，需要考慮哪些因素。

（3）請簡述如何評估預測模型的性能。

答案：

（1）使用監(jiān)督學習算法，如邏輯回歸、決策樹等，通過學習客戶流失標記與客戶特征之間的關系來預測客戶是否流失。

（2）需要考慮以下因素：

a.特征工程：提取與客戶流失相關的特征，如客戶年齡、客戶性別、客戶收入、客戶消費金額等。

b.數(shù)據(jù)預處理：對數(shù)據(jù)進行缺失值處理、異常值處理等，提高數(shù)據(jù)質量。

c.模型選擇：選擇合適的機器學習算法，如邏輯回歸、決策樹等。

d.調參優(yōu)化：調整模型參數(shù)，提高模型性能。

（3）評估預測模型性能的方法：

a.準確率：衡量模型預測正確的樣本數(shù)占總樣本數(shù)的比例。

b.召回率：衡量模型預測正確的正類樣本數(shù)占總正類樣本數(shù)的比例。

c.F1分數(shù)：綜合考慮準確率和召回率，衡量模型的綜合性能。

d.混淆矩陣：展示模型預測結果與真實結果之間的對應關系。

28.某電商平臺需要預測商品銷量，以下為其數(shù)據(jù)集部分信息：

|商品ID|商品類別|商品價格|銷售量|

|--------|--------|--------|--------|

|1|服裝|100|100|

|1|服裝|150|150|

|2|電子產品|200|50|

|2|電子產品|250|100|

|...|...|...|...|

（1）請簡述如何使用機器學習算法進行商品銷量預測。

（2）請簡述在預測過程中，需要考慮哪些因素。

（3）請簡述如何評估預測模型的性能。

答案：

（1）使用監(jiān)督學習算法，如線性回歸、決策樹等，通過學習商品銷量與商品特征之間的關系來預測商品銷量。

（2）需要考慮以下因素：

a.特征工程：提取與商品銷量相關的特征，如商品類別、商品價格等。

b.數(shù)據(jù)預處理：對數(shù)據(jù)進行缺失值處理、異常值處理等，提高數(shù)據(jù)質量。

c.模型選擇：選擇合適的機器學習算法，如線性回歸、決策樹等。

d.調參優(yōu)化：調整模型參數(shù)，提高模型性能。

（3）評估預測模型性能的方法：

a.均方誤差：衡量預測值與真實值之間的差異程度。作用：適用于回歸問題，衡量模型的預測精度。

b.R平方：衡量模型對數(shù)據(jù)的擬合程度。作用：反映模型解釋數(shù)據(jù)的程度。

c.混淆矩陣：展示模型預測結果與真實結果之間的對應關系。

六、綜合分析題（每題24分，共48分）

29.隨著互聯(lián)網的快速發(fā)展，電商平臺數(shù)量不斷增加，競爭日益激烈。為了提高競爭力，某電商平臺計劃引入個性化推薦系統(tǒng)，以下為其需求：

（1）請簡述個性化推薦系統(tǒng)的基本原理。

（2）請簡述在個性化推薦系統(tǒng)中，需要考慮哪些因素。

（3）請簡述如何評估個性化推薦系統(tǒng)的性能。

答案：

（1）個性化推薦系統(tǒng)基本原理：

a.用戶畫像：根據(jù)用戶的歷史行為和特征，構建用戶畫像。

b.商品畫像：根據(jù)商品的特征和屬性，構建商品畫像。

c.推薦算法：根據(jù)用戶畫像和商品畫像，為用戶推薦相關商品。

d.評估與優(yōu)化：通過評估推薦結果，不斷優(yōu)化推薦算法。

（2）個性化推薦系統(tǒng)中需要考慮以下因素：

a.用戶畫像：準確描述用戶興趣和偏好。

b.商品畫像：全面描述商品特征和屬性。

c.推薦算法：選擇合適的推薦算法，如協(xié)同過濾、基于內容的推薦等。

d.數(shù)據(jù)質量：保證數(shù)據(jù)質量，提高推薦效果。

e.評估與優(yōu)化：及時評估推薦效果，優(yōu)化推薦算法。

（3）個性化推薦系統(tǒng)性能評估方法：

a.準確率：衡量推薦結果的準確性。

b.實際點擊率：衡量用戶對推薦結果的興趣程度。

c.滿意度：衡量用戶對推薦結果的滿意度。

d.長期轉化率：衡量推薦結果對業(yè)務增長的貢獻。

30.某公司希望利用機器學習技術進行客戶流失預測，以下為其需求：

（1）請簡述客戶流失預測的流程。

（2）請簡述在客戶流失預測過程中，需要考慮哪些因素。

（3）請簡述如何評估客戶流失預測模型的性能。

答案：

（1）客戶流失預測流程：

a.數(shù)據(jù)收集：收集客戶歷史數(shù)據(jù)，包括客戶基本信息、消費記錄等。

b.數(shù)據(jù)預處理：對數(shù)據(jù)進行缺失值處理、異常值處理等，提高數(shù)據(jù)質量。

c.特征工程：提取與客戶流失相關的特征。

d.模型選擇：選擇合適的機器學習算法，如邏輯回歸、決策樹等。

e.模型訓練：使用訓練數(shù)據(jù)對模型進行訓練。

f.模型評估：使用測試數(shù)據(jù)對模型進行評估。

g.模型優(yōu)化：根據(jù)評估結果，優(yōu)化模型參數(shù)。

h.模型部署：將模型應用于實際業(yè)務場景。

（2）客戶流失預測過程中需要考慮以下因素：

a.數(shù)據(jù)質量：保證數(shù)據(jù)質量，提高預測準確性。

b.特征工程：提取與客戶流失相關的特征。

c.模型選擇：選擇合適的機器學習算法，提高預測準確性。

d.模型調參：調整模型參數(shù)，提高模型性能。

e.預測結果解讀：對預測結果進行解讀，為業(yè)務決策提供支持。

（3）客戶流失預測模型性能評估方法：

a.準確率：衡量模型預測正確的樣本數(shù)占總樣本數(shù)的比例。

b.召回率：衡量模型預測正確的正類樣本數(shù)占總正類樣本數(shù)的比例。

c.F1分數(shù)：綜合考慮準確率和召回率，衡量模型的綜合性能。

d.混淆矩陣：展示模型預測結果與真實結果之間的對應關系。

本次試卷答案如下：

一、單選題

1.C

解析：機器學習的基本類型包括監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習和強化學習，其中半監(jiān)督學習是結合了監(jiān)督學習和無監(jiān)督學習的特點。

2.C

解析：決策樹、隨機森林和神經網絡都是基于決策樹的算法，而支持向量機是基于向量空間和核函數(shù)的算法。

3.C

解析：特征選擇的方法包括相關性分析、遞歸特征消除、卡方檢驗等，隨機森林是一種集成學習方法，不屬于特征選擇方法。

4.D

解析：卷積神經網絡、循環(huán)神經網絡和生成對抗網絡都是常見的網絡結構，而貝葉斯網絡是一種概率圖模型，不屬于深度學習網絡結構。

5.D

解析：準確率、召回率和F1分數(shù)是常用的分類評價指標，而均方誤差是回歸問題的評價指標。

6.D

解析：數(shù)據(jù)預處理的方法包括缺失值處理、異常值處理、特征編碼和數(shù)據(jù)降維，而數(shù)據(jù)降維不屬于數(shù)據(jù)預處理方法。

二、多選題

7.ABCD

解析：監(jiān)督學習算法包括線性回歸、決策樹、支持向量機和神經網絡等。

8.ABCD

解析：無監(jiān)督學習算法包括K-means聚類、主成分分析、聚類層次和高斯混合模型等。

9.ABCD

解析：特征選擇的方法包括相關性分析、遞歸特征消除、隨機森林和卡方檢驗等。

10.ABCD

解析：機器學習中的評價指標包括準確率、召回率、F1分數(shù)和均方誤差等。

11.ABCD

解析：數(shù)據(jù)預處理的方法包括缺失值處理、異常值處理、特征編碼和數(shù)據(jù)降維等。

12.ABCD

解析：常見的網絡結構包括卷積神經網絡、循環(huán)神經網絡、生成對抗網絡和貝葉斯網絡等。

三、判斷題

13.正確

解析：機器學習是一種基于數(shù)據(jù)的算法，通過學習數(shù)據(jù)中的模式和知識來預測或分類新數(shù)據(jù)。

14.正確

解析：監(jiān)督學習算法需要使用標記好的數(shù)據(jù)集進行訓練，以便學習輸入和輸出之間的關系。

15.正確

解析：無監(jiān)督學習算法不需要使用標記好的數(shù)據(jù)集進行訓練，而是通過學習數(shù)據(jù)中的內在結構來發(fā)現(xiàn)模式。

16.錯誤

解析：支持向量機是一種基于向量空間和核函數(shù)的算法，不是基于決策樹的算法。

17.正確

解析：遞歸特征消除是一種特征選擇方法，通過遞歸地刪除不重要的特征來減小特征集大小。

18.正確

解析：準確率是衡量分類模型性能的重要指標，表示模型預測正確的樣本數(shù)占總樣本數(shù)的比例。

19.正確

解析：數(shù)據(jù)預處理是機器學習中的關鍵步驟，包括缺失值處理、異常值處理、特征編碼和數(shù)據(jù)降維等。

20.錯誤

解析：生成對抗網絡是一種基于神經網絡的無監(jiān)督學習算法，用于生成具有真實數(shù)據(jù)分布的新數(shù)據(jù)。

四、簡答題

21.機器學習的基本類型及其特點：

-監(jiān)督學習：需要標記好的數(shù)據(jù)集進行訓練，通過學習輸入和輸出之間的關系來預測未知數(shù)據(jù)。特點：準確性高，但需要大量標注數(shù)據(jù)。

-無監(jiān)督學習：不需要標記好的數(shù)據(jù)集進行訓練，通過學習數(shù)據(jù)之間的內在結構來發(fā)現(xiàn)數(shù)據(jù)中的模式。特點：不需要標注數(shù)據(jù)，但發(fā)現(xiàn)模式的能力有限。

-半監(jiān)督學習：結合了監(jiān)督學習和無監(jiān)督學習，利用部分標記數(shù)據(jù)和大量未標記數(shù)據(jù)來提高模型性能。特點：在標注數(shù)據(jù)不足的情況下，能提高模型性能。

-強化學習：通過與環(huán)境的交互來學習最優(yōu)策略，使累積獎勵最大化。特點：適用于動態(tài)環(huán)境，但需要大量樣本和計算資源。

22.特征選擇的方法及其應用場景：

-相關性分析：通過計算特征與目標變量之間的相關系數(shù)，篩選出與目標變量高度相關的特征。應用場景：在特征數(shù)量較多的情況下，篩選出關鍵特征。

-遞歸特征消除：通過遞歸地刪除不重要的特征，逐步減小特征集大小。應用場景：特征數(shù)量較多，且需要降低特征維度的場景。

-隨機森林：通過隨機選擇特征和決策樹組合，篩選出與目標變量高度相關的特征。應用場景：特征數(shù)量較多，且需要提高模型泛化能力的場景。

-卡方檢驗：通過計算特征與目標變量之間的卡方統(tǒng)計量，篩選出與目標變量高度相關的特征。應用場景：分類問題，且特征為離散值。

23.機器學習中的數(shù)據(jù)預處理方法及其作用：

-缺失值處理：對缺失數(shù)據(jù)進行填充或刪除。作用：提高數(shù)據(jù)質量，避免模型受到缺失值的影響。

-異常值處理：識別并處理異常值。作用：提高數(shù)據(jù)質量，避免模型受到異常值的影響。

-特征編碼：將原始數(shù)據(jù)進行編碼，便于模型處理。作用：提高模型性能，避免模型受到數(shù)據(jù)格式的影響。

-數(shù)據(jù)降維：降低數(shù)據(jù)維度，減少計算量和提高模型性能。作用：提高模型性能，避免過擬合。

24.機器學習中的網絡結構及其特點：

-卷積神經網絡：適用于圖像和視頻等數(shù)據(jù)。特點：能夠自動學習特征，具有良好的局部感知能力。

-循環(huán)神經網絡：適用于序列數(shù)據(jù)。特點：能夠處理時間序列數(shù)據(jù)，具有長期依賴性。

-生成對抗網絡：由生成器和判別器組成，用于生成具有真實數(shù)據(jù)分布的新數(shù)據(jù)。特點：能夠生成高質量的圖像和音頻數(shù)據(jù)。

-貝葉斯網絡：基于概率圖模型，用于描述變量之間的依賴關系。特點：能夠處理不確定性，具有強大的推理能力。

25.機器學習中的評價指標及其作用：

-準確率：模型預測正確的樣本數(shù)占總樣本數(shù)的比例。作用：衡量模型的整體性能。

-召回率：模型預測正確的正類樣本數(shù)占總正類樣本數(shù)的比例。作用：衡量模型對正類的識別能力。

-F1分數(shù)：準確率和召回率的調和平均數(shù)。作用：綜合考慮準確率和召回率，衡量模型的綜合性能。

-均方誤差：衡量預測值與真實值之間的差異程度。作用：適用于回歸問題，衡量模型的預測精度。

五、應用題

26.

（1）使用監(jiān)督學習算法，如邏輯回歸、決策樹等，通過學習用戶購買標記與商品特征之間的關系來預測用戶購買商品的概率。

（2）需要考慮以下因素：

a.特征工程：提取與用戶購買行為相關的特征，如商品類別、用戶年齡、用戶性別等。

b.數(shù)據(jù)預處理：對數(shù)據(jù)進行缺失值處理、異常值處理等，提高數(shù)據(jù)質量。

c.模型選擇：選擇合適的機器學習算法，如邏輯回歸、決策樹等。

d.調參優(yōu)化：調整模型參數(shù)，提高模型性能。

（3）評估預測模型性能的方法：

a.準確率：衡量模型預測正確的樣本數(shù)占總樣本數(shù)的比例。

b.召回率：衡量模型預測正確的正類樣本數(shù)占總正類樣本數(shù)的比例。

c.F1分數(shù)：綜合考慮準確率和召回率，衡量模型的綜合性能。

d.混淆矩陣：展示模型預測結果與真實結果之間的對應關系。

27.

（1）使用監(jiān)督學習算法，如邏輯回歸、決策樹等，通過學習客戶流失標記與客戶特征之間的關系來預測客戶是否流失。

（2）需要考慮以下因素：

a.特征工程：提取與客戶流失相關的特征，如客戶年齡、客戶性別、客戶收入、客戶消費金額等。

b.數(shù)據(jù)預處理：對數(shù)據(jù)進行缺失值處理、異常值處理等，提高數(shù)據(jù)質量。

c.模型選擇：選擇合適的機器學習算法，如邏輯回歸、決策樹等。

d.調參優(yōu)化：調整模型參數(shù)，提高模型性能。

（3）評估預測模型性能的方法：

a.準確率：衡量模型預測正確的樣本數(shù)占總樣本數(shù)的比例。

b.召回率：衡量模型預測正確的正類樣本數(shù)占總正類樣本數(shù)的比例。

c.F1分數(shù)：綜合考慮準確率和召回率，衡量模型的綜合性能。

d.混淆矩陣：展示模型預測結果與真實結果之間的對應關系。

28.

（1）使用監(jiān)督學習算法，如線性回歸、決策樹等，通過學習商品銷量與商品特征之間的關系來預測商品銷量。

（2）需要考慮以下因素：

a.特征工程：提取與商品銷量相關的特征，如商品類別、商品價格等。

b.數(shù)據(jù)預處理：對數(shù)據(jù)進行缺失值處理、異常值處理等，提高數(shù)據(jù)質量。

c.模型選擇：選擇合適的機器學習算法，如線性回歸、決策樹等。

d.調參優(yōu)化：調整模型參數(shù)，提高模型性能。

（3）評估預測模型性能的方法：

a.均方誤差：衡量預測值與真實值之間的差異程度。作用：適用于回歸問題，衡量