#12 机器学习能力自测题---看看你的机器学习知识能打几分？不容错过的机器学习试题与术语 | David 9的博客 --- 不怕&过拟合&
咨询与辅导，请加David 9微信：
“图片风格转换”又出新作，英伟达CVPR论文：高效图片风格转换与解析闭合解
深度神经进化，Uber AI实验室新发现：遗传算法(GA)在深度增强学习中的出色表现(Deep Neuroevolution)
理解Hinton胶囊网络之精华浓缩版，第一部分： 胶囊网络背后的灵感与初衷（Capsule Networks）
CVPR2018抢先看，DiracNets：无需跳层连接，训练更深神经网络，结构参数化与Dirac参数化的ResNet
理解Hinton胶囊网络之精华浓缩版，第二部分： 胶囊网络是如何工作的？（Capsule Networks）
分享到分类目录AAAICNNCVPRGANICLRICMLKDDKerasNIPSNLPRNNTensorFlow业界前沿增强学习学术实战工具机器视觉概览算法迁移学习集成学习
2018年三月一二三四五六日& 2月&&&12345678910111213141516171819202122232425262728293031&文章归档2018年三月2018年二月2018年一月2017年十二月2017年十一月2017年十月2017年九月2017年八月2017年七月2017年六月2017年五月2017年四月2017年三月2017年二月2017年一月2016年十二月2016年十一月2016年十月2016年九月2016年八月2016年七月2016年六月2016年五月2016年四月
一直苦于没有办法自测一下机器学习知识掌握程度，最近看到一篇Ankit Gupta写的博客：Solutions for Skilltest Machine Learning : Revealed。有40题机器学习自测题，马上可以看看你的机器学习知识能打几分？顺便还能查漏补缺相关术语，以及SVM, 隐马尔科夫, 特征选择, 神经网络, 线性回归等众多知识点.以下是试题, 附答案：Q1：在一个n维的空间中， 最好的检测outlier(离群点)的方法是：A. 作正态分布概率图B. 作盒形图C. 马氏距离D. 作散点图答案：C马氏距离是基于卡方分布的，度量多元outlier离群点的统计方法。更多请详见：这里和”各种距离“。&Q2：对数几率回归（logistics regression）和一般回归分析有什么区别？：A. 对数几率回归是设计用来预测事件可能性的B. 对数几率回归可以用来度量模型拟合程度C. 对数几率回归可以用来估计回归系数D. 以上所有答案：DA: 这个在我们第八期#8提到过，对数几率回归其实是设计用来解决分类问题的B: 对数几率回归可以用来检验模型对数据的拟合度C: 虽然对数几率回归是用来解决分类问题的，但是模型建立好后，就可以根据独立的特征，估计相关的回归系数。就我认为，这只是估计回归系数，不能直接用来做回归模型。&Q3：bootstrap数据是什么意思？（提示：考“bootstrap”和“boosting”区别）A. 有放回地从总共M个特征中抽样m个特征B. 无放回地从总共M个特征中抽样m个特征C. 有放回地从总共N个样本中抽样n个样本D. 无放回地从总共N个样本中抽样n个样本答案：C需要集成学习基础知识，详情请见：bootstrap, boosting, bagging 几种方法的联系&Q4：“过拟合”只在监督学习中出现，在非监督学习中，没有“过拟合”，这是：A. 对的B. 错的答案：B我们可以评估无监督学习方法通过无监督学习的指标，如：我们可以评估聚类模型通过调整兰德系数（adjusted rand score）&Q5：对于k折交叉验证, 以下对k的说法正确的是 : A. k越大, 不一定越好, 选择大的k会加大评估时间B. 选择更大的k, 就会有更小的bias (因为训练集更加接近总数据集)C. 在选择k时, 要最小化数据集之间的方差D. 以上所有答案：Dk越大, bias越小, 训练时间越长. 在训练时, 也要考虑数据集间方差差别不大的原则. 比如, 对于二类分类问题, 使用2-折交叉验证, 如果测试集里的数据都是A类的, 而训练集中数据都是B类的, 显然, 测试效果会很差.如果不明白bias和variance的概念, 务必参考下面链接:Gentle Introduction to the Bias-Variance Trade-Off in Machine LearningUnderstanding the Bias-Variance Tradeoff&Q6：回归模型中存在多重共线性, 你如何解决这个问题？A. 去除这两个共线性变量B. 我们可以先去除一个共线性变量C. 计算VIF(方差膨胀因子), 采取相应措施D. 为了避免损失信息, 我们可以使用一些正则化方法, 比如, 岭回归和lasso回归.以下哪些是对的:A. 1B. 2C. 2和3D. 2, 3和4答案: D解决多重公线性, 可以使用相关矩阵去去除相关性高于75%的变量 (有主观成分). 也可以VIF, 如果VIF值&=4说明相关性不是很高, VIF值&=10说明相关性较高.我们也可以用 岭回归和lasso回归的带有惩罚正则项的方法. 我们也可以在一些变量上加随机噪声, 使得变量之间变得不同, 但是这个方法要小心使用, 可能会影响预测效果.&Q7：模型的高bias是什么意思, 我们如何降低它 ? A. 在特征空间中减少特征B. 在特征空间中增加特征C. 增加数据点D. B和CE. 以上所有答案: Bbias太高说明模型太简单了, 数据维数不够, 无法准确预测数据, 所以, 升维吧 !如果不明白bias和variance的概念, 务必参考下面链接:
Gentle Introduction to the Bias-Variance Trade-Off in Machine LearningUnderstanding the Bias-Variance Tradeoff
&Q8：训练决策树模型, 属性节点的分裂, 具有最大信息增益的图是下图的哪一个: A. OutlookB. HumidityC. WindyD. Temperature答案: A信息增益, 增加平均子集纯度, 详细研究, 请戳下面链接:A Complete Tutorial on Tree Based Modeling from Scratch (in R & Python)Lecture 4 Decision Trees (2): Entropy, Information Gain, Gain Ratio&Q9：对于信息增益, 决策树分裂节点, 下面说法正确的是: A. 纯度高的节点需要更多的信息去区分B. 信息增益可以用”1比特-熵”获得C. 如果选择一个属性具有许多归类值, 那么这个信息增益是有偏差的A. 1B. 2C.2和3D. 所有以上答案: C详细研究, 请戳下面链接:A Complete Tutorial on Tree Based Modeling from Scratch (in R & Python)Lecture 4 Decision Trees (2): Entropy, Information Gain, Gain Ratio&Q10：如果SVM模型欠拟合, 以下方法哪些可以改进模型 : A. 增大惩罚参数C的值B. 减小惩罚参数C的值C. 减小核系数(gamma参数)答案: A如果SVM模型欠拟合, 我们可以调高参数C的值, 使得模型复杂度上升.LibSVM中，SVM的目标函数是:而, gamma参数是你选择径向基函数作为kernel后,该函数自带的一个参数.隐含地决定了数据映射到新的特征空间后的分布.gamma参数与C参数无关. gamma参数越高, 模型越复杂.Q11：下图是同一个SVM模型, 但是使用了不同的径向基核函数的gamma参数, 依次是g1, g2, g3 , 下面大小比较正确的是 : A. g1 & g2 & g3B. g1 = g2 = g3C. g1 & g2 & g3D. g1 &= g2 &= g3E. g1 &= g2 &= g3答案: C参考Q10题&Q12：假设我们要解决一个二类分类问题, 我们已经建立好了模型, 输出是0或1, 初始时设阈值为0.5, 超过0.5概率估计, 就判别为1, 否则就判别为0 ; 如果我们现在用另一个大于0.5的阈值,
那么现在关于模型说法, 正确的是 : A. 模型分类的召回率会降低或不变B. 模型分类的召回率会升高C. 模型分类准确率会升高或不变D. 模型分类准确率会降低A. 1B. 2C.1和3D. 2和4E. 以上都不是答案: C这篇文章讲述了阈值对准确率和召回率影响 :Confidence Splitting Criterions Can Improve Precision And Recall in Random Forest ClassifiersQ13：”点击率问题”是这样一个预测问题, 99%的人是不会点击的, 而1%的人是会点击进去的, 所以这是一个非常不平衡的数据集. 假设, 现在我们已经建了一个模型来分类, 而且有了99%的预测准确率, 我们可以下的结论是 : A. 模型预测准确率已经很高了, 我们不需要做什么了B. 模型预测准确率不高, 我们需要做点什么改进模型C. 无法下结论D. 以上都不对答案: B99%的预测准确率可能说明, 你预测的没有点进去的人很准确 (因为有99%的人是不会点进去的, 这很好预测). 不能说明你的模型对点进去的人预测准确, 所以, 对于这样的非平衡数据集, 我们要把注意力放在小部分的数据上, 即那些点击进去的人.详细可以参考这篇文章: articleQ14：使用k=1的knn算法, 下图二类分类问题, “+” 和 “o” 分别代表两个类, 那么, 用仅拿出一个测试样本的交叉验证方法, 交叉验证的错误率是多少 : A. 0%B. 100%C.
100%D. 以上都不是答案: Bknn算法就是, 在样本周围看k个样本, 其中大多数样本的分类是A类, 我们就把这个样本分成A类. 显然, k=1 的knn在上图不是一个好选择, 分类的错误率始终是100%&Q15：我们想在大数据集上训练决策树, 为了使用较少时间, 我们可以 : A.
增加树的深度B.
增加学习率 (learning rate)C.
减少树的深度D. 减少树的数量答案: C增加树的深度, 会导致所有节点不断分裂, 直到叶子节点是纯的为止. 所以, 增加深度, 会延长训练时间.决策树没有学习率参数可以调. (不像集成学习和其它有步长的学习方法)决策树只有一棵树, 不是随机森林.Q16：对于神经网络的说法, 下面正确的是 : 1. 增加神经网络层数, 可能会增加测试数据集的分类错误率
2. 减少神经网络层数, 总是能减小测试数据集的分类错误率
3. 增加神经网络层数, 总是能减小训练数据集的分类错误率A. 1B. 1 和 3C. 1 和 2D. 2答案: A深度神经网络的成功, 已经证明, 增加神经网络层数, 可以增加模型范化能力, 即, 训练数据集和测试数据集都表现得更好. 但是, 在这篇文献中, 作者提到, 更多的层数, 也不一定能保证有更好的表现. 所以, 不能绝对地说层数多的好坏, 只能选A&Q17：假如我们使用非线性可分的SVM目标函数作为最优化对象, 我们怎么保证模型线性可分 : A. 设C=1B. 设C=0C. 设C=无穷大D. 以上都不对答案: CC无穷大保证了所有的线性不可分都是可以忍受的.&Q18：训练完SVM模型后, 不是支持向量的那些样本我们可以丢掉, 也可以继续分类: A. 正确B. 错误答案: ASVM模型中, 真正影响决策边界的是支持向量&Q19：以下哪些算法, 可以用神经网络去构造: 1. KNN
2. 线性回归
3. 对数几率回归A. 1和 2B. 2 和 3C. 1, 2 和 3D. 以上都不是答案: B1. KNN算法不需要训练参数, 而所有神经网络都需要训练参数, 因此神经网络帮不上忙
2. 最简单的神经网络, 感知器, 其实就是线性回归的训练
3. 我们可以用一层的神经网络构造对数几率回归&Q20：请选择下面可以应用隐马尔科夫(HMM)模型的选项: A. 基因序列数据集B. 电影浏览数据集C. 股票市场数据集D. 所有以上答案: D只要是和时间序列问题有关的 , 都可以试试HMMQ21：我们建立一个5000个特征, 100万数据的机器学习模型. 我们怎么有效地应对这样的大数据训练 : A. 我们随机抽取一些样本, 在这些少量样本之上训练B. 我们可以试用在线机器学习算法C. 我们应用PCA算法降维, 减少特征数D. B 和 CE. A 和 BF. 以上所有答案: FQ22：我们想要减少数据集中的特征数, 即降维. 选择以下适合的方案 :1. 使用前向特征选择方法
2. 使用后向特征排除方法
3. 我们先把所有特征都使用, 去训练一个模型, 得到测试集上的表现. 然后我们去掉一个特征, 再去训练, 用交叉验证看看测试集上的表现. 如果表现比原来还要好, 我们可以去除这个特征.
4. 查看相关性表, 去除相关性最高的一些特征A. 1 和 2B. 2, 3和4C. 1, 2和4D. All答案: D前向特征选择方法和后向特征排除方法是我们特征选择的常用方法如果前向特征选择方法和后向特征排除方法在大数据上不适用, 可以用这里第三种方法.用相关性的度量去删除多余特征, 也是一个好方法所有D是正确的Q23：对于 随机森林和GradientBoosting Trees, 下面说法正确的是:在随机森林的单个树中, 树和树之间是有依赖的, 而GradientBoosting Trees中的单个树之间是没有依赖的.这两个模型都使用随机特征子集, 来生成许多单个的树.我们可以并行地生成GradientBoosting Trees单个树, 因为它们之间是没有依赖的, GradientBoosting Trees训练模型的表现总是比随机森林好A. 2B. 1 and 2C. 1, 3 and 4D. 2 and 4答案: A随机森林是基于bagging的, 而Gradient Boosting trees是基于boosting的, 所有说反了,在随机森林的单个树中, 树和树之间是没有依赖的, 而GradientBoosting Trees中的单个树之间是有依赖关系.这两个模型都使用随机特征子集, 来生成许多单个的树.所有A是正确的&Q24：对于PCA(主成分分析)转化过的特征 ,
朴素贝叶斯的”不依赖假设”总是成立, 因为所有主要成分是正交的, 这个说法是 :A. 正确的B. 错误的答案: B.这个说法是错误的, 首先, “不依赖”和”不相关”是两回事, 其次, 转化过的特征, 也可能是相关的.&Q25：对于PCA说法正确的是 :1. 我们必须在使用PCA前规范化数据
2. 我们应该选择使得模型有最大variance的主成分
3. 我们应该选择使得模型有最小variance的主成分
4. 我们可以使用PCA在低维度上做数据可视化A. 1, 2 and 4B. 2 and 4C. 3 and 4D. 1 and 3E. 1, 3 and 4答案: APCA对数据尺度很敏感, 打个比方, 如果单位是从km变为cm, 这样的数据尺度对PCA最后的结果可能很有影响(从不怎么重要的成分变为很重要的成分).我们总是应该选择使得模型有最大variance的主成分有时在低维度上左图是需要PCA的降维帮助的&Q26：对于下图, 最好的主成分选择是多少 ? :A. 7B. 30C. 35D. Can’t Say答案: B主成分选择使variance越大越好， 在这个前提下， 主成分越少越好。Q27：数据科学家可能会同时使用多个算法（模型）进行预测， 并且最后把这些算法的结果集成起来进行最后的预测（集成学习），以下对集成学习说法正确的是 :A. 单个模型之间有高相关性B. 单个模型之间有低相关性C. 在集成学习中使用“平均权重”而不是“投票”会比较好D. 单个模型都是用的一个算法答案: B详细请参考下面文章:Basics of Ensemble Learning Explained in Simple EnglishKaggle Ensemble Guide5 Easy questions on Ensemble Modeling everyone should knowQ28：在有监督学习中， 我们如何使用聚类方法？ :A. 我们可以先创建聚类类别， 然后在每个类别上用监督学习分别进行学习B. 我们可以使用聚类“类别id”作为一个新的特征项， 然后再用监督学习分别进行学习C. 在进行监督学习之前， 我们不能新建聚类类别D. 我们不可以使用聚类“类别id”作为一个新的特征项， 然后再用监督学习分别进行学习A. 2 和 4B. 1 和 2C. 3 和 4D. 1 和 3答案: B我们可以为每个聚类构建不同的模型， 提高预测准确率。“类别id”作为一个特征项去训练， 可以有效地总结了数据特征。所以B是正确的&Q29：以下说法正确的是 :A. 一个机器学习模型，如果有较高准确率，总是说明这个分类器是好的B. 如果增加模型复杂度， 那么模型的测试错误率总是会降低C. 如果增加模型复杂度， 那么模型的训练错误率总是会降低D. 我们不可以使用聚类“类别id”作为一个新的特征项， 然后再用监督学习分别进行学习A. 1B. 2C. 3D. 1 and 3答案: C考的是过拟合和欠拟合的问题。&Q30：对应GradientBoosting tree算法， 以下说法正确的是 :A. 当增加最小样本分裂个数，我们可以抵制过拟合B. 当增加最小样本分裂个数，会导致过拟合C. 当我们减少训练单个学习器的样本个数，我们可以降低varianceD. 当我们减少训练单个学习器的样本个数，我们可以降低biasA. 2 和 4B. 2 和 3C. 1 和 3D. 1 和 4答案: C最小样本分裂个数是用来控制“过拟合”参数。太高的值会导致“欠拟合”，这个参数应该用交叉验证来调节。第二点是靠bias和variance概念的。&Q31：以下哪个图是KNN算法的训练边界 :A) BB) AC) DD) CE) 都不是答案: BKNN算法肯定不是线性的边界， 所以直的边界就不用考虑了。另外这个算法是看周围最近的k个样本的分类用以确定分类，所以边界一定是坑坑洼洼的。&Q32：如果一个训练好的模型在测试集上有100%的准确率， 这是不是意味着在一个新的数据集上，也会有同样好的表现？ :A. 是的，这说明这个模型的范化能力已经足以支持新的数据集合了B. 不对，依然后其他因素模型没有考虑到，比如噪音数据答案: B
没有一个模型是可以总是适应新数据的。我们不可能可到100%准确率。Q33：下面的交叉验证方法 :i. 有放回的Bootstrap方法ii. 留一个测试样本的交叉验证iii. 5折交叉验证iv. 重复两次的5折教程验证当样本是1000时，下面执行时间的顺序，正确的是：A. i & ii & iii & ivB. ii & iv & iii & iC. iv & i & ii & iiiD. ii & iii & iv & i答案: BBoostrap方法是传统地随机抽样，验证一次的验证方法，只需要训练1次模型，所以时间最少。留一个测试样本的交叉验证，需要n次训练过程（n是样本个数），这里，要训练1000个模型。5折交叉验证需要训练5个模型。重复2次的5折交叉验证，需要训练10个模型。所有B是正确的&Q34. Removed&Q35：变量选择是用来选择最好的判别器子集， 如果要考虑模型效率，我们应该做哪些变量选择的考虑？ :1. 多个变量其实有相同的用处
2. 变量对于模型的解释有多大作用
3. 特征携带的信息
4. 交叉验证A. 1 和 4B. 1, 2 和 3C. 1,3 和 4D. 以上所有答案: C注意， 这题的题眼是考虑模型效率，所以不要考虑选项2.&Q36：对于线性回归模型，包括附加变量在内，以下的可能正确的是 :1. R-Squared 和 Adjusted R-squared都是递增的
2. R-Squared 是常量的，Adjusted R-squared是递增的
3. R-Squared 是递减的， Adjusted R-squared 也是递减的
4. R-Squared 是递减的， Adjusted R-squared是递增的A. 1 和 2B. 1 和 3C. 2 和 4D. 以上都不是答案: DR-squared不能决定系数估计和预测偏差，这就是为什么我们要估计残差图。但是，R-squared有R-squared 和 predicted R-squared 所没有的问题。
每次你为模型加入预测器，R-squared递增或不变.详细请看这个链接：discussion.&Q37：对于下面三个模型的训练情况， 下面说法正确的是 :1. 第一张图的训练错误与其余两张图相比，是最大的
2. 最后一张图的训练效果最好，因为训练错误最小
3. 第二张图比第一和第三张图鲁棒性更强，是三个里面表现最好的模型
4. 第三张图相对前两张图过拟合了
5. 三个图表现一样，因为我们还没有测试数据集A. 1 和 3B. 1 和 3C. 1, 3 和 4D. 5答案: C&Q38：对于线性回归，我们应该有以下哪些假设？ :1. 找到利群点很重要, 因为线性回归对利群点很敏感
2. 线性回归要求所有变量必须符合正态分布
3. 线性回归假设数据没有多重线性相关性A. 1 和 2B. 2 和 3C. 1,2 和 3D. 以上都不是答案: D利群点要着重考虑, 第一点是对的不是必须的, 当然, 如果是正态分布, 训练效果会更好有少量的多重线性相关性是可以的, 但是我们要尽量避免&Q39：当我们构造线性模型时, 我们注意变量间的相关性. 在相关矩阵中搜索相关系数时, 如果我们发现3对变量的相关系数是(Var1 和Var2, Var2和Var3, Var3和Var1)是-0.98, 0.45, 1.23 . 我们可以得出什么结论: 1. Var1和Var2是非常相关的
2. 因为Var和Var2是非常相关的, 我们可以去除其中一个
3. Var3和Var1的1.23相关系数是不可能的A. 1 and 3B. 1 and 2C. 1,2 and 3D. 1答案: CVar1和Var2相关系数是负的, 所以这是多重线性相关, 我们可以考虑去除其中一个.一般地, 如果相关系数大于0.7或者小于-0.7, 是高相关的相关性系数范围应该是 [-1,1]&Q40：如果在一个高度非线性并且复杂的一些变量中, 一个树模型可能比一般的回归模型效果更好. 只是:A. 对的B. 错的答案: A翻译自参考文献：Solutions for Skilltest Machine Learning : Revealed本文章属于“David 9的博客”原创，如需转载，请联系微信david9ml，或邮箱：The following two tabs change content below.BioLatest Posts邮箱：
微信: david9ml
“图片风格转换”又出新作，英伟达CVPR论文：高效图片风格转换与解析闭合解 - 三月 19, 2018
深度神经进化，Uber AI实验室新发现：遗传算法(GA)在深度增强学习中的出色表现(Deep Neuroevolution) - 三月 12, 2018
理解Hinton胶囊网络之精华浓缩版，第一部分： 胶囊网络背后的灵感与初衷（Capsule Networks） - 三月 5, 2018David 9
微信: david9ml
查看所有由David 9发布的文章问题：  &#xe6
[单选] 下列关于基金巨额赎回的说法不正确的是（
A . 单个开放日基金净赎回申请超过基金总份额的10%时，为巨额赎回。B . 出现巨额赎回申请时，基金管理人可以决定接受全额赎回或者部分延迟赎回C . 基金连续两个开放日以上发生巨额赎回，如基金管理人认为有必要，可暂停接受赎回申请D . 当基金管理人认为兑付投资者的赎回申请有困难，可以对所有赎回申请延期办理
N日的乖离率=（
）。 （当日开盘价-N日移动总价）/N日移动平均价*100%。
（当日开盘价-N日移动平均价）/N日移动平均价*100%。
（当日收盘价-N日移动平均价）/N日移动平均价*100%。
（当日收盘价-N日移动平均价）/N日移动价*100%。
不影响净资产收益率的指标包括（
）。 总资产周转率。
资产净利率。
资产负债率。
流动比率。
对证券投资基金从上市公司分配取得的股息红利所得，扣缴义务人在代扣代缴个人所得税时，按（
）计算应纳税所得额。 20%。
动态资产配置策略的目标在于，在不提高系统性风险或投资组合波动性的前提下提高（
）报酬。 短期。
短期或中期。
根据配置策略不同，可以将资产配置的动态调整过程分为四种类型，以下不正确的是（
）。 动态资产配置策略。
投资组合保险策略。
资产混合配置策略。
恒定混合策略。
下列关于基金巨额赎回的说法不正确的是（
参考答案：D
●&&参考解析
支付宝红包乖离率Bias经典使用方法_图文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
乖离率Bias经典使用方法
阅读已结束，下载本文需要
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，同时保存到云知识，更方便管理
还剩5页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢have a bias on sb / have a stereotype on sb 。 有什么区别_百度知道
have a bias on sb / have a stereotype on sb 。 有什么区别
这个主要是感情色彩上的区别bias一般就是贬义的，就是倾向于歧视的偏见stereotype则较为中性，指的是一种模式化的看法，但这一种看法不一定就是不好的
采纳率：44%
同意 dreamhxt 的说法，或是犹太人都要小孩学医，或是犹太人都爱赚钱, 但再补充一点。stereotype 常是一种 与对象的出身有关的 模式化的看法。譬如说回教徒多是恐怖分子
have a bias on sth 多强调“带有偏狭、不客观、过于主观或武断的看问题或形势”；少数情况下也可指以上面的方式对人。bias n. 偏见；斜纹；偏爱；乖离率1. a partiality that prevents objective consideration of an issue or situation2. a line or cut across a fabric that is not at right angles to a side of the fabrichave a stereotype on sb 强调“以老眼光看人”stereotypen. 陈腔滥调，老套；铅版a conventional or formulaic conception or image
为您推荐：
其他类似问题
bias的相关知识
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。