贝壳找房春招笔试解析：数据挖掘与机器学习核心考点实战

每年春招这个时间点，贝壳找房的算法岗笔试题总能在圈子里引起一波讨论。它不像互联网大厂那样疯狂堆砌LeetCode hard题，也不像某些实验室风格团队那样只考论文复现，贝壳的题目风格更偏向“业务落地”——给你一堆现实世界里的脏数据，看你能不能把它洗干净、挖出价值、变成可解释的模型结果。这套2023春招数据挖掘/机器学习工程师笔试卷2，我刷完之后最大的感受是：它考的不是你背了多少公式，而是你面对一个真实业务问题时，能不能按照数据挖掘的标准流程，把每一步都走得严谨且高效。

这篇文章我打算按试卷的考察逻辑，把数据挖掘和机器学习的高频考点、解题思路、容易踩的坑从头到尾梳理一遍。不管你是准备春招秋招的应届生，还是想转行做算法工程师的在职人，这套拆解基本能把“贝壳这类业务驱动型公司到底想招什么样的人”这个问题讲透。内容不绕弯子，直接按实操来。

1. 试卷整体设计与考察逻辑拆解

1.1 贝壳这类公司笔试题的底层逻辑

先聊一个很多人会忽略的点：为什么贝壳的算法笔试题长这样？很多人拿到卷子第一反应是“怎么没有手撕红黑树”，或者“怎么不考 transformer 的 attention 公式推导”。这是因为贝壳的核心业务是房产交易和居住服务，它面临的问题不是搜索推荐、不是自动驾驶感知，而是房源价格评估、用户购房意向识别、经纪人匹配效率、楼盘画像构建这类非常接地气的场景。

这意味着，他们招的数据挖掘工程师需要具备的第一能力不是“我会调包”，而是“我拿到一个业务命题后，能把它拆解成数据问题，再拆解成模型问题”。所以试卷里大量考的是特征工程思路、样本不均衡处理、模型评估指标选择、AB实验的坑，这些直接对应日常工作的核心环节。

第二层逻辑是考察“工程落地能力”。算法模型写得再漂亮，线上跑不动或者效果不可解释，在贝壳这类公司是行不通的。所以试卷会穿插一些关于特征稳定性、模型可解释性、离线在线一致性（线上线下一致性问题）的题目，这些恰恰是实际业务中最容易翻车的地方。

第三层才是考察机器学习基础理论的扎实程度。包括偏差方差分解、过拟合处理、正则项作用、梯度下降原理等。这些属于基本功，但是你不会的话，后面特征工程做得再花哨也白搭，因为模型解释不了异常行为。

1.2 整张试卷的题型结构与时间分配建议

从我拿到的试卷2回忆版来看，整体题型大致分为四块：单选题/多选题（覆盖机器学习基础概念）、简答题（偏特征工程和业务场景设计）、计算推导题（集中在模型评估指标和损失函数上）、综合案例题（给出一个业务场景和数据集，要求完整设计方案）。

时间分配是我特别想强调的。很多考生在前面的选择题上纠结太久，导致最后的综合案例题只写了三行字。贝壳这类公司，综合案例题往往分值最高，而且阅卷时看的不是你的最终预测结果，而是你的分析框架和逻辑完整性。我自己的建议是选择题控制在20分钟内，简答题30分钟，计算推导题30分钟，剩下至少40分钟全部给综合案例题。

还有一个容易被低估的点：shell脚本和SQL能力。虽然这是数据挖掘/机器学习试卷，但贝壳的业务数据基本都存储在数仓里，你能不能高效取数，决定了你后续所有工作的上限。试卷里偶尔会出现一道SQL题或者简单的数据处理题，千万别丢分。

2. 核心考点：机器学习基础理论高频题解析

2.1 偏差方差分解与过拟合的底层博弈

这套卷子里，偏差方差几乎是必考项，而且考法很灵活。有时候直接问“下列哪种操作能有效降低模型的方差”，有时候给出一组训练误差和验证误差让你判断模型状态。

我建议用靶心图来理解这件事：偏差是瞄得准不准，方差是手抖不抖。高偏差意味着你的模型连训练集的基本规律都没学到，典型的欠拟合；高方差则是模型把训练集里的噪声都背下来了，换一批数据就原形毕露。

关于降低方差的手段，这里有个容易漏答的点。除了常见的增加训练数据量、引入正则化项、降低模型复杂度（比如决策树剪枝、神经网络减少层数）之外，**集成学习中的bagging（自助聚合）**也是降低方差非常有效的思路。随机森林就是典型的通过并行训练多棵树、最终投票取均值来把方差压下来的方法。这个点在简答题里如果问“列举至少三种降低方差的手段”，你写了前三个不写集成，会扣分。

反过来，降低偏差的手段主要是增加模型复杂度、引入更多有效特征、减少正则化强度。有一点要注意，实际工作中我们往往面临的是偏差方差同时偏高的状态，这时候优先处理偏差还是方差，取决于你的业务容忍度。比如在贝壳的房源估价场景里，你对准确性要求极高，那么前期宁可模型稍微过拟合（高方差），也要先把预测偏差降下来，后期再用交叉验证调参来平衡。

2.2 过拟合的识别与五种常用对抗策略

过拟合的识别其实很简单：训练集表现持续上升，但验证集指标在某个节点后开始走平甚至恶化，这个“分叉点”就是过拟合开始的信号。

针对过拟合，试卷里一般不会只让你说“加正则化”，而是会让你写出更多策略，并按适用场景分类。我整理一个对照表，你们可以直接拿去背：

这里我想多说一句：我自己在实际面试复盘时发现，很多考生把“增加训练数据”挂在嘴边，但在笔试题里根本没写“如何增加”——是数据增强？是SMOTE过采样？是自举采样？你得写具体手段，才显得你真正干过这事儿。

另外提醒一个冷门考点：正则化系数λ越大，模型权重就越小，但并不是越小越好。λ太大会把所有权重都压到接近0，模型退化为一个常数预测，这在简答题里如果让你画“模型误差随λ变化曲线”，你要记得标出“偏差上升”和“方差下降”的交叉方向。

2.3 损失函数、梯度下降与优化器选择细节

这块内容在选择题里出现频率极高，而且特别喜欢组合考，比如给定一个损失函数，问你对它做梯度下降时，参数更新公式怎么写；再比如给你一个含L2正则的损失函数，问梯度里多出来的那一项是什么。

先说梯度下降的三种形式：**批量梯度下降（BGD）**每轮迭代用全量数据算梯度，准确但慢；**随机梯度下降（SGD）**每轮只用一个样本，快但噪声大；**小批量梯度下降（Mini-batch GD）**折中，每轮用一个小batch（通常是32、64、128），既稳定又有一定随机性，是实际工程里最常用的。

有个细节容易被忽略：学习率不是越大越快，也不是越小越准。学习率太大，损失函数会在最优点附近来回震荡甚至发散；学习率太小，收敛速度极慢，训练半天还在原地踏步。好的做法是配合学习率衰减策略，前中期用较大学习率快速逼近，后期用小学习率精调。在试卷里如果让你写SGD更新公式，千万别漏了“学习率需要随迭代次数调整”这句话。

优化器这块，试卷里常出现的对比是SGD vs Momentum vs Adam。Momentum的物理含义是有惯性的小球滚下山坡，能穿过局部极小值点；Adam则是在SGD基础上加了一阶矩估计和二阶矩估计的自适应调整。这里有个实际的坑：Adam虽然收敛快，但有时候泛化性能不如调好学习率的SGD。这在贝壳这类生产环境里真的会出现，所以模拟题如果你看到“在测试集上SGD效果优于Adam，请分析可能原因”，你要能写出“Adam对学习率不敏感，但可能在后期震荡较大；SGD配合衰减策略能微调到更平缓的极小值点”这类分析，而不是干巴巴说“SGD更好”。

2.4 生成式模型与判别式模型的经典对决

这个知识点在历年的数据挖掘笔试里出现频率不高，但2023贝壳这套卷子里专门出了一道多选题，问的是“下列哪些模型属于判别式模型”，选项包括逻辑回归、朴素贝叶斯、支持向量机、条件随机场、隐马尔可夫模型。

如果你对这两个概念模糊，这里一次理清：生成式模型是对联合概率分布P(X,Y)建模，然后通过贝叶斯公式推导出P(Y|X)，特点是能模拟数据的生成过程，朴素贝叶斯、隐马尔可夫模型、高斯混合模型都是这一类。判别式模型直接对条件概率P(Y|X)建模，或者直接学一个决策边界，逻辑回归、支持向量机、条件随机场、决策树、神经网络都是这一类。

选错的同学大概率是把“朴素贝叶斯”和“贝叶斯”搞混了。朴素贝叶斯虽然名字里有贝叶斯，但它对P(X|Y)做了独立假设，属于典型的生成式模型。而“贝叶斯网络”也不是判别式模型，它是表示变量间概率依赖关系的图模型，是生成式的。这种概念辨析题没有技巧，就是平时积累，做题时用“是否对联合分布建模”这个判据去套，不会错。

3. 核心考点：数据挖掘流程与特征工程实战拆解

3.1 数据预处理：从“脏乱差”到“干净可用”的标准三步

数据预处理是数据挖掘和机器学习的“地基工程”，虽然笔试分值占比不一定最大，但它决定了后面所有环节能不能顺利推进。我看到试卷里有一道题给了一份房源数据，里面包含空值、异常值（比如房价字段出现负数）、重复记录、明显的时间字段格式不统一，让考生补全预处理方案。这其实是贝壳真实业务场景的简化版。

第一步是缺失值处理。主流方法有删除、均值/中位数/众数填充、模型预测填充。但我想提醒一个细节：业务字段缺失率高的时候要造“是否缺失”标记特征。比如“楼盘绿化率”字段有30%的缺失，我除了填充之外，一定额外加一列“绿化率是否缺失”，这个思路在逻辑回归、XGBoost这类模型上都有效。因为在真实业务里，字段缺失本身往往就暗示某种信息——可能是新盘没有数据录入，也可能是某些物业类型本身就不关注绿化率。

第二步是异常值处理。如果你是靠肉眼或者箱线图来判断异常值，那要注意：异常值不一定都是脏数据，也可能是真实但极端的业务信号。比如一套市中心顶层复式豪宅，单价远高于普通住宅，你不能一刀切把它删掉。我建议的处理顺序是：先判断异常值是否在业务逻辑上合理，合理就保留并做对数变换或缩尾处理压低影响，不合理（如面积为负数）再删除。在笔试中你要能写出“通过IQR或Z-score识别异常值，再结合业务判定去留”这个层次，而不是简单说“删掉”。

第三步是数据标准化/归一化。这里有一个高频考点：基于树的模型（决策树、随机森林、XGBoost、LightGBM）对特征尺度不敏感，不需要归一化；但基于距离的模型（K近邻、K-means、SVM）和绝大多数神经网络，必须归一化。原因是树模型做分裂时只比大小，特征尺度不影响分裂点的选择；而距离模型如果不归一化，量纲大的特征会完全支配距离计算。这个点在笔试选择题里几乎是送分题，但每年都有人丢，因为没往深处想为什么。

3.2 特征工程：构造、筛选与业务理解的平衡艺术

特征工程在这套试卷里占比很大，而且考法很“贝壳”——不会凭空让你给一堆无关变量做特征，而是给你一个真实业务场景，比如“预测房源在7天内成交的概率”，让你去设计特征。

我做这种题目的思路是先分三层：

第一层，基础特征，直接从原始字段里清洗后得到的。比如房源面积、户型、朝向、所在楼层、楼龄、物业费、是否有电梯。注意“面积”这种连续值要保留，但“朝向”这种类别值必须做编码。在特征编码上有一个常见选择：名义变量用独热编码（One-Hot），有序变量用标签编码（Label Encoding）。户型虽然也有“三室两厅”这种类别表述，但它是有序的，可以从一室到六室以上做标签编码，保留空间顺序信息。

第二层，统计聚合特征，这一步最考验业务理解。对于每个房源，我可以聚合它所在小区的历史成交记录，算出最近30天同小区成交均价、成交房源总数、平均成交周期。这些聚合特征远优于单套房源的原始价格，因为它们是“市场供需状况”的直接体现。有一道题专门考这个，问“在预测房源成交周期时，哪些特征最有区分度”，答案应该围绕“同商圈/同小区成交热度”“房源自身性价比（挂牌价相对小区成交均价的偏离度）”“业主调价行为（近30天降价次数和幅度）”来展开，而不是说“楼层、朝向、装修”。

第三层，时间序列/行为序列特征。贝壳的数据里有一类非常特殊的特征，是其他行业很难复制的：用户的看房行为轨迹。比如这个房源被收藏了多少次、被约看多少次、每次看房后隔多久再约下一次、同一用户在多少天内重复看了同一房源。这些行为特征直接反映了真实用户的购房意向，模型效果提升非常明显。如果你在笔试里能想到这一层，已经能甩开大多数考生了。

特征筛选方面，我推荐掌握三种思路，按实用程度排序：基于模型重要度（XGBoost的 feature_importance、随机森林的基尼重要度）、基于统计检验（卡方检验、方差分析）、基于正则化稀疏性（L1正则把无关特征系数压成0）。在笔试简答里，你要能说出“保留特征不是越多越好，冗余特征会加剧多重共线性，增加过拟合风险，降低模型可解释性”这个逻辑，并附上一个具体的筛选方法。

3.3 样本不均衡处理：为什么准确率在这里会骗人

贝壳的业务天然存在严重的样本不均衡问题。比如“7天内成交的房源”占所有挂牌房源的比例可能只有5%都不到，如果直接建模，模型只要全部预测为“不会成交”，准确率能到95%，但这个模型毫无业务价值。做数据挖掘的人如果只看准确率（Accuracy），在这种场景下会被骗得死死的。

试卷里专门出了一道题，问“在成交预测场景下，样本不均衡会带来哪些问题，如何解决”。这个题建议按四层来答：

第一，换评估指标。用精确率、召回率、F1-score、AUC代替准确率。这里要特别强调的是：正负样本比例极度悬殊时，AUC仍然可能虚高，建议同时看PR曲线（精确率-召回率曲线）。在房源成交预测这种正样本很少的场景里，PR曲线比ROC曲线更能反映模型真实效果，因为PR曲线的基线会随着正样本比例变化，不会像ROC那样被大量负样本稀释。

第二，数据层面处理。经典三招是欠采样（随机删掉部分负样本，适合负样本量足够）、过采样（复制或插值生成正样本）、SMOTE（在正样本的K近邻之间插值生成新样本）。SMOTE的坑在于它可能会生成不合理的样本，比如两个房源样本插值后得到“面积75平、3个卧室”这种现实中不一定存在的组合，所以在真实业务里用SMOTE后一定要人工抽检。

第三，算法层面处理。给正样本更高的权重，也就是在损失函数里设class_weight参数，让模型对少数类误判付出更大的代价。XGBoost里是 scale_pos_weight 参数，sklearn 里逻辑回归和SVM都有class_weight。这个思路简单有效，是工业界最常用的手段。

第四，异常检测思路。如果正样本实在少到没法训练（比如只有几百条），可以把问题从“二分类”转化为“单类异常检测”，用孤立森林或一类SVM去识别那些“不像正常样本”的房源，把它们筛选出来作为高概率成交对象。这不是出题方给的规范答案，但我实习时真这么干过，效果意外地还行，放在笔试里当成加分项写，也能体现你的知识广度。

4. 实操复盘：从一份模拟房源数据到完整建模方案

4.1 题目还原与业务目标定义

下面这张图是这套试卷的综合案例题，原题大意为：给定某城市过去一年的房源挂牌与成交记录，字段包括房源ID、小区ID、面积、户型、朝向、楼层、楼龄、挂牌价格、小区成交均价、近30天看房次数、业主调价次数、是否7天内成交（目标变量）。题目要求：1）设计特征工程方案；2）选择模型并说明理由；3）设计评估方案；4）说明上线后的监控方案。

这个题本质上就是贝壳内部“房源成交周期预测”的简化版。实际业务中这套模型会被应用到经纪人端，用来辅助决策“哪些房源需要重点推、哪些定价可能有问题”，同时也会进入C端APP，作为“推荐热门房源”的排序因子之一。

拿到题目后第一步不是急着写特征，而是先明确业务目标：我们不是要预测这套房子最终能不能卖掉（那可能是3个月甚至1年后的事），而是要预测“未来7天内成交的概率”。这个目标定义决定了后续所有正负样本的切分方式——把“7天内成交”记为1，把“7天内未成交”记为0，并且所有特征只能使用“挂牌时点”之前已经产生的信息，不能引入任何未来数据，否则就是典型的数据泄露（Data Leakage），模型在离线测试时很漂亮，上线就直接废掉。

4.2 特征工程与模型选型的完整建模过程

基于题目的字段，我的特征方案分为五组：

第一组，房源静态属性。面积、户型编码、朝向独热编码、所在楼层（低/中/高分段）、楼龄。这些特征反映的是房源本身的“硬条件”，在逻辑回归里系数方向要符合直觉：面积在合理范围内越大越有吸引力、楼龄越新成交越快。

第二组，定价合理性特征。这是整个方案里最重要的一组，我不会直接用“挂牌价”这个原始字段，而是构造挂牌价比率= 挂牌价 / 同小区近期成交均价。这个比率大于1说明业主挂高了，小于1说明有性价比。在贝壳内部这套逻辑被称为“价格偏离开力场”，偏离度越大，成交周期越长。

第三组，需求热度特征。近30天看房次数、近7天新增看房次数、收藏数、关注用户数。这些是“人气”的直接体现，和成交概率强相关。需要提醒的是，这些字段需要按照时间窗口聚合，窗口大小本身也要作为超参数去调，不能拍脑袋定7天或30天。

第四组，业主行为特征。近30天调价次数、降价次数、降价幅度、挂牌后是否修改过房源描述。业主频繁调价（尤其是降价）说明急于出手，是强烈的成交信号。

第五组，小区环境特征。小区成交均价、成交量、成交周期均值、小区在售房源总数。这一组是“大盘水位”，用来控制不同小区之间的差异。

模型选型我建议写XGBoost或LightGBM为主模型，逻辑回归作为baseline对照。理由有三条：一是表格数据上梯度提升树几乎没有对手，二是自带处理缺失值能力，三是特征重要度可以天然支持业务解释。逻辑回归虽然效果可能不如GBDT，但它可解释性强，适合作为上线前的合规性验证模型。在这类笔试题里，你只要能写出“基于树的模型擅长捕捉非线性关系，且对异常值鲁棒；逻辑回归作为强解释性baseline用于对比公平性”，就能拿到大部分的分数。

训练流程上，我按照80/20切分训练集和测试集，并在训练集内部做5折交叉验证。评估指标选用PR-AUC为主，兼顾F1-score，因为7天成交率本身很低，只盯AUC容易被负样本量迷惑。

一个实操细节是：GBDT类模型训练前不需要对特征做标准化，但需要把类别特征做标签编码处理。如果你选了LightGBM，可以直接指定categorical_feature参数，让模型内部处理类别特征，比手动编码效果更稳。这个细节写进试卷答案里，会显得你真的在工程上摸过这些模型。

4.3 模型上线后的监控方案与常见坑

有经验的面试官看这个题，最后看的不是模型效果，而是你有没有线上监控意识。试卷给的空白处很多，但多数人只写“上线后用A/B测试验证效果”，这太单薄了。我要强调两件事：

第一，离线在线一致性监控（线上线下一致性）。训练时用的特征分布和线上实时算出来的特征分布如果出现偏差，模型效果会迅速衰减。比如小区成交均价这个特征，离线用的是截止到某个时间点的历史均值，线上实时计算的时候如果用了包含未来的数据，特征分布整体就会偏移。这种bug在行业里特别常见，监控方式就是每天对比线上特征均值和离线训练特征均值，设置一个漂移阈值，超阈值就告警。

第二，模型效果退化监控。用**PSI（人群稳定性指数）**监控预测分数的分布是否随时间发生显著变化，同时每日计算线上真实成交率与模型预测概率的校准度（Calibration）。如果监控到模型预测分整体偏高但实际成交率没有上升，说明模型需要重新训练了。在房产这种周期性很强的行业，市场转冷时3个月前的模型就很可能失效。

这两点如果能写在综合题里，你的答案会自然比那些只写“A/B测试”的考生高一档，因为这体现的是真实的工程闭环思维。

5. 常见问题与考查陷阱速查表

整张试卷做下来，我总结出以下常见问题和命题陷阱，你们复习时对着这一节自查就可以了。

5.1 概念辨析类陷阱

5.2 业务场景类陷阱

这套卷子里的陷阱题特别喜欢“看起来很有道理”。比如有一道选择题问“下列哪个做法能提升成交预测模型的区分度”，选项是：A. 删除缺失值较多的特征；B. 新增业主是否调价的特征；C. 增加训练集里的负样本量；D. 把所有特征做标准化。

很多人看到A就选，但实际答案是B。原因很简单：删除缺失值较多的特征也许能减少噪声，但也丢失了信息，不一定提升区分度；业主是否调价是直接的行为信号，表征求购逼切程度，与成交概率高度相关，从业务逻辑上就能感受到强区分度。这类题本质考的不是技术知识，而是你对业务特征的“直觉灵敏度”。建议刷题时多问自己一句：“这个特征在业务上是不是直接指向我的目标？”如果是，那就是强特征。

5.3 实操场景类陷阱

还有一道题问“在构建二手房价评估模型时，以下哪一项会造成数据泄露”。很多人选了“加入了附近学校的口碑评分”，但正确的答案往往是**“加入了该房源成交后的实际成交价格作为特征”**。如果模型输入里包含了未来才产生的成交价字段，那就等于开了天眼，离线效果再好也没用，上线直接崩。

复习数据泄露时，你只需守住一条原则：建模时用的所有特征必须在预测时点上是“已知”的。凡是能从未来“带回来”的信息，都是泄露。这条原则不仅笔试用得上，真实项目里也是最容易犯的错，我见过太多新人在特征表里join了一张包含未来数据的表，导致上线后模型效果拦腰斩。

6. 复习路线与备考策略建议

如果你正在准备贝壳或者其他互联网公司数据挖掘/机器学习岗位的春招，我建议按下面这个顺序安排复习计划。

第一阶段（基础巩固，2周），重点过一遍李航的《统计学习方法》前八章，以及周志华《机器学习》的模型评估、线性模型、决策树、支持向量机、集成学习这些核心章节。数学推到什么程度？至少能手推逻辑回归的梯度更新公式、朴素贝叶斯的后验概率推导、SVM的对偶问题转换。别看这是基础，贝壳这类公司笔试时就是喜欢在细节上出题，你以为你懂了，一推导就露馅。

第二阶段（业务特征工程专项，1周），把典型业务场景的特征工程做一遍专项归纳。衣食住行里，“住”是最复杂的一块，因为房地产市场是低频、高值、区域性强的交易，样本量天然有限，特征噪声大。你需要掌握的核心能力是“从交易行为序列里提取有效信息”，这在贝壳这类公司比模型本身更受重视。推荐去Kaggle上找几个房价预测项目做一遍，熟悉真实数据中的缺失值分布、异常点形态和时间特征处理。

第三阶段（真题刷练与SQL补强，1周），每天做一套互联网公司数据挖掘岗真题，做完后整理错题。这个阶段不要只刷贝壳，链家之前也叫链家，行业类似，其他如美团、滴滴、携程的偏业务类数据挖掘题目也有很强的参考价值。SQL天天练，窗口函数（ROW_NUMBER、RANK、LAG/LEAD）必须烂熟于心，因为综合题里最后往往需要你写一段SQL去取数。

第四阶段（综合模拟与复盘，考前3天），把自己的简历项目重新梳理一遍，重点准备“项目遇到的最大挑战是什么，怎么解决的”这类开放型问题。这套试卷的风格决定了它不太可能只考你知识点，大概率还会结合简历深挖项目细节，如果你简历里写了“做过用户流失预测”，那你至少要能回答出来：正样本定义是什么、类别不平衡怎么处理、用了哪些特征、AUC是多少、上线后怎么监控的。

7. 写在最后：数据挖掘工程师的底层能力模型

刷完这套试卷，我最大的感受是：贝壳找房的春招笔试题不是用来筛选“谁背的书多”，而是用来筛选“谁真的能上手干活”。在业务驱动型公司，数据挖掘工程师的核心竞争力是三层结构的：底层是扎实的机器学习理论基础，中层是面对脏数据时的工程处理能力，顶层是对业务场景的理解深度。

很多人校招时拼命刷算法题，结果到综合案例题这种考察业务理解的环节反而没话可说，这是很可惜的事情。数据挖掘这个岗位，归根到底解决的是“用数据驱动业务决策”的问题，你算法再炫，如果分析的结果没法帮助业务方做判断，那在公司里的价值就大打折扣。

从备考角度看，我的建议是：复习知识点的时候，每学一个算法，都顺手想一想“这个算法在二手房交易场景里可以用来做什么”。比如K近邻可以做相似房源推荐，聚类可以做客群分群，逻辑回归可以做成交概率预测，时间序列模型可以做房价趋势预测。带着应用视角去学，不仅笔试能答好，面试时面对“你对我们业务有什么理解”这类问题，你也能聊得比别人深。

最后分享一下我做这套题时的个人经验：拿到卷子，先花三分钟把每一道大题的分值和考点快速扫一遍，然后在草稿纸上列出综合案例题的结构提纲，再去逐题作答。这样能保证你最擅长的部分不会因为时间不够而失分。数据挖掘笔试拼的从来不是“我什么都会”，而是“我会的都能正常发挥出来”，这个心态比多刷十道题都管用。