quiz.json

[
  {
    "id": "timeseries-pre-1",
    "stage": "pre",
    "question": "为什么随机的训练/测试集划分对时间序列数据无效？",
    "options": [
      "随机划分使数据集太小",
      "随机划分会把未来信息泄漏进训练集，让模型作弊",
      "时间序列数据根本无法被划分",
      "随机划分只对分类问题有效"
    ],
    "correct": 1,
    "explanation": "在随机划分中，未来的数据点可能进入训练集，而过去的点却在测试集中。于是模型用未来信息去预测过去，给出虚假乐观的结果。"
  },
  {
    "id": "timeseries-pre-2",
    "stage": "pre",
    "question": "时间序列是平稳的意味着什么？",
    "options": [
      "数值随时间从不改变",
      "它的统计性质（均值、方差、自相关）不随时间改变",
      "它没有季节性模式",
      "它总是向上趋势"
    ],
    "correct": 1,
    "explanation": "平稳序列随时间具有恒定的均值、方差和自相关结构。大多数预测方法都假设平稳性。非平稳序列需要先做差分或去趋势。"
  },
  {
    "id": "timeseries-post-1",
    "stage": "post",
    "question": "对时间序列做差分的目的是什么？",
    "options": [
      "增加数据点的数量",
      "通过对相邻值之间的变化建模来去除趋势并使序列平稳",
      "把回归转换为分类",
      "把数值归一化到 0 和 1 之间"
    ],
    "correct": 1,
    "explanation": "差分用相对于前一个值的变化替换每个值：diff[t] = value[t] - value[t-1]。这去除了趋势，使序列更接近平稳。"
  },
  {
    "id": "timeseries-post-2",
    "stage": "post",
    "question": "滞后特征把时间序列转换为监督学习问题。用于预测 y[t] 的 lag-3（滞后 3）特征是什么？",
    "options": [
      "接下来 3 个值的平均：(y[t+1] + y[t+2] + y[t+3]) / 3",
      "3 个时间步之前的值：y[t-3]",
      "序列的三阶导数",
      "当前值与往后 3 步之间的差"
    ],
    "correct": 1,
    "explanation": "lag-3 特征是 y[t-3]：过去 3 个时间步的值。把过去的值作为输入特征，可以让标准 ML 模型（回归、树）在不使用专门算法的情况下做时间序列预测。"
  },
  {
    "id": "timeseries-post-3",
    "stage": "post",
    "question": "前向滚动验证把时间数据分成扩展窗口或滑动窗口。对于时间序列，为什么它比 K 折交叉验证更好？",
    "options": [
      "前向滚动计算更快",
      "前向滚动尊重时间顺序，只在过去数据上训练、在未来数据上测试，从而防止前瞻偏差",
      "K 折交叉验证不能用于数值数据",
      "前向滚动使用更多数据进行训练"
    ],
    "correct": 1,
    "explanation": "前向滚动验证总是在过去数据上训练、在未来数据上测试，模拟真实世界的部署。K 折交叉验证会打乱数据，可能用未来训练去预测过去（时间泄漏）。"
  }
]