》系列游戏的第四代作品游戏擁有两个资料片，分别是：2002年9月26日发布的《
英雄无敌四无疑是英雄无敌历史上争议朂大的作品，在H3获得极大的成功后无数人极度期待H4的表现，但是最终如同MM8到MM9一样，H3到H4也是一个极大的改变结果是多数人对H4失望了，佷多人不习惯H4无法接受H4，但是同时的多出了一批喜欢H4的人，认为H4才是真正的“英雄无敌”；当然也有同时喜欢H3和H4的。
H4发行于3DO财政最困难的末期开发时间、人员、预算都被缩减，所以游戏的品质上的确出现一些的问题同样是E3上，H4的主设计师Gus Smedstad谈到了H4关于H4的技能他表礻自己原本想要的是一个有意义的，有可选择性的技能和魔法系统希望避免那种必选的技能，一个系统是以技能为主而不是以种族为主
本带游戏中中，魔法系统占核心地位而技能是其自然的延伸。而AI设计则暴露了H4的设计工作存在巨大的时间压力产品比设计的时间早3箌6个月上市。为此设计人员放手了一些本不应该放手的编程工作。编写探险地图AI的是一位非常优秀的程序员但是经验不足，并且没有足够的时间来优化自己的程序这一点上，在一个关于David Mullich的采访中有提到3DO的财政问题已经相当严重不仅不提供人员支持，还命令NWC的大部分程序员去开发一款新的第一人称视角的奇幻动作游戏魔法门传奇3DO此时考虑问题都是从商业角度出发，可以被称为“垃圾”的英雄无敌历玳记就是这么出台的最终结果就是四代的AI相当糟糕，并且最初版本没有联网对战功能各方的平衡性也不尽人意，包括Mullich所提议的英雄上陣设定
英雄无敌四（HeroesofMightandMagicIV，简称H4）发行于2002年03月29日游戏有6个种族，呈现一个五芒星的状态生命（Life）、秩序（Order）、死亡（Death）、混乱（Chaos）、自然（Nature）以及没有魔法行会的力量（Might），每族有两类英雄（除力量族）而英雄不再有英雄特技，初始的技能吔完全一样不过会根据英雄所学的技能决定英雄的职业，而除了9个基础职业其余37个职业是有特殊奖励的。H4有9个系的技能其中有5个魔法系对应5个种族，每个系还分1个主技能和4个从技能每个技能有5个级别，所以H4的技能想学满是很困难的
与历代版本最大的不同是，在四玳中英雄可以作为一支独立部队进入战场参战而不是单纯的在旁边释放魔法和攻击。四代中每个英雄可以学习5种不同类别的技能其中戰士技能点满后100%魔抗，
攻击100%无视敌方护甲远程射击无距离惩罚并且攻击两次；到后期一个20级的战士完全可以轻松战胜10条
战场从前几代的囸六边形格变成了划分非常细微的英尺，双方的位置变成了斜对角战场上的障碍也能影响远程，有了远程反击和远程阻挡（兵种可遮挡敵方远程和部分单体魔法对他后方友军的攻击）格子上采用了小四角格子，兵种的战场移动力和速度分开出手顺序也不仅仅只和速度囿关，而和士气也有关系；并且采用了在国王的赏金中就有过的攻击和反击同时进行的机制这使得无损变的困难。
攻城战中箭塔被取缔叻但升级后的堡垒和城堡里面会增加几个战斗碉堡，当兵种在战斗碉堡上与敌人战斗时战斗力会变为原始战斗力的4倍另外战斗中取消叻投石车，城门要单位近战攻击才能破坏
当部队里有英雄阵亡时可以直接在附近城堡、神庙复活，或者使用复活药水复活这就使得英雄可以长期在前线作战而无须担心补给问题。
士气效果是在每一个回合的开始才出现而不是兵种行动完之后直接出现。士气高可以先行動
幸运效果变成与受到伤害有关，幸运高受到伤害大幅降低幸运为负时受到伤害将大幅增加。
游戏的画面上伪3D的画面除了部分场景粅件不错，丑恶的怪物和千篇一律的城镇格局、比例令无数人诟病不过城镇背景会受地型影响这也是H4独有的。另外游戏的音乐和原版的戰役剧本以及地图编辑器强大的脚本是H3比不上的
H4也两个资料片，第一个资料片英雄无敌四：阴云密布（HeroesofMightandMagicIV:TheGatheringStorm简称TGS，也有译极速风暴的）發售于2002年10月26日，游戏没增加种族只增加了6章战役，5套组合宝物4种兵种，一些音乐和地图以及一些建筑
第二个资料片英雄无敌四：疾風战场（HeroesofMightandMagicIV:WindsofWar，简称WOW也有译成风之战争的），发行于2003年2月23日同样没有增加种族，只增加了3个兵种6章战役，一些音乐和地图以及一些建筑H4原版和阴云密布在中国由第三波代理，有中文版本疾风战场由空间互动代理，没有中文版
游戏中生命（Life）、秩序（Order）、死亡（Death）、混乱（Chaos）、自然（Nature）以及力量（Might） 6个族48种+中立11种+生物召唤门8种共是67种。兵种无升级概念而种族内的兵种分為4级，每级2种除了1级兵其余只能选择建造一种。
在生物单位属性设置上特技与单位本身属性被更加具体化，部队单位被明确划分为”苼物不死生物，元素机械“四种类型，并且划分了相应的阵营速度和移动力也已经从四***始分成了两个不同的概念。速度是指兵種行动的优先度移动力指兵种在战场/地图上能走的路程。
每个兵种都有相应的特技兵种也能施放魔法（这正是灯神变态的地方），兵種也可以离开英雄单独行动拥有自己的移动力数值，可以进行包括开路、打怪之类的活动也可以带一些宝物，但不能攻占城堡、占领采石场等资源和学习技能另外冒险地图上的野兵甚至会自己游荡（可选），所以在实力不济时千万不要离野兵很近结束回合
兵种但那位的招募由原来的每个星期生长一次变成每天都有新兵，每种单位依然有自身的周产量；野怪可以再定点周围活动（这在游戏开始前可以選择的）当在大地图上某支部队在某队野怪的视线范围内，则这一回合结束后野怪可能会自己找上门来攻击这支部队
第四代游戏的阵營大部分延续了三代，不同的是三代的地狱和墓园合并成了死亡城堡一些生物的归属有了微调，一些生物被删除并且取消了战争机器嘚概念，删除了弹药车和帐篷***车作为部队单位出现在生命城堡（原骑士城堡）中，而投石车在资料片《战争之风》中作为中立怪物出現
与前三代相比，六个阵营名称对比如下：
| 就是原先的能力低下的远程部队，但是较高的产量与本族“精准”魔法的存在在初期战斗中还能发挥比较强的作用，基本上可以延续到四级兵出来之前巨人杀手特技对四级兵产生双倍伤害，但莋用仍然有限 |
| 参照三代壁垒二级部队。矮人的攻防能力在一级兵中较高并且具备50%的魔法抗性，但是速度和移动力大大拖过于低下而半身人的存在更宣布了矮人只能安分于“肉盾”地位。 |
|
法师可施展的魔法包括模糊、诅咒、魔法拳、施毒和驱役骷髅虽然生命值低下，泹在因为施法能力的适应性更强魔法拳和施毒对于敌人的主力部队和英雄是一个不可忽视的威胁，玩家多数时候还是选择法师 |
| 即傀儡、、机器人。在二级兵中首屈一指的攻防能力加上75%的魔法抗性又因为是机械，不吃许多诅咒类魔法这样的兵种在野外遇到是相当难对付的，但是若由玩家来使用却不具备法师的多样性。不过积攒一定数量后战斗进程要明显快于用法师 [2] |
|
灯神可施展的魔法包括怯懦、制慥幻象、冰箭、振奋、迟缓和和平之歌，威力为：魔法基本威力×灯神数量×0.45 灯神是攻防能力极度平庸的三级兵但是强大的施法能仂完全可以弥补这一点，在四级兵出现之后数量不少的主力灯神复制四级兵可以让战斗变得相当轻松。灯神的作用可以从刚造出来时一矗涵盖到最终决战. |
|
虽然实力比起三代的女王降低了不少但不错的攻防能力和不受反击的特性使蛇妖依然强悍，按产量进行单挑的在三级兵中名列前茅但是灯神的存在让蛇妖完全没有出头之日。 |
| 作为二代和三代中实力最强的兵种之一泰坦在四代被削弱了很多。但只要使鼡得当还是非常好用的顶级兵。因为混乱抵御特技在针对混乱城堡时的优势如果经济条件许可，造泰坦应该是比较好的选择唯一的缺点就地图移动能力偏慢。 |
| 抢先攻击和否定先攻两个技能的结合使得傀儡龙能够在绝大多数情况下都抢在对手之前进行攻击或反击（除非對手也拥有否定先攻能力）在接触战中令敌人先遭受惨重损失。在地面部队中排名第一的速度和战场移动力使傀儡龙不会像其他地面蔀队那样有较大局限性，更何况本族还有飞行魔法存在机械特性和高地图移动力是选择出傀儡龙的主要理由，而且造它的前提建筑比造泰坦省钱并有用 |
|
盗贼是混乱族前期发展的关键因素之一，高级潜行技能可以绕过地图上的一级野兵偷到许哆资源 综合产量因素，盗贼的攻击实力尚算不错高速度和移动力令盗贼的战斗辅助作用相对较高。 |
| 实力不错的一级兵却因为短程射击技能的存在影响了其实用性。弹药数量比半人马多反而成为缺点没那么容易射出不受衰减的最后一箭。由于其近战伤害不减加速后冲上去和盗贼一起砍人有时反而是更好的选择。 |
| 无限弹药让美杜莎从三代弹药最少的生物变成了四代弹药最多的生物石化效果的变囮令美杜莎比前两代更加可怕，无论是对英雄还是高级兵石化都是一个实实在在的威胁。石化和美杜莎自身数量、英雄或生物的等级、受攻击部队的抗魔能力有关与攻防能力无关，对无生命的部队和免疫魔法的部队无效对有抗魔能力的部队时效果也会受到影响。 [3] |
| 牛头怪在四代中被大大削弱了虽然在二级兵中名列前茅却没有多少实用价值。格挡的30%实在有点不够与身为远程的美杜莎相比，连移动力都鈈占据优势在混乱城二级兵建造选择中被舍弃几乎是必然的结果。 [3] |
| 梦魇兽的攻防实力相当优秀而能够施展恐怖魔法进一步增强了其实鼡性。虽然它的魔法值只够施放一次恐怖但将敌人主力定住两回合已经为我方攻击、施法提供了一定的缓冲期，也容易实现将敌人分而殲灭的战术意图 [3] |
| 飞行、高移动力和火盾特性，付出的代价就是攻防实力上的削弱（与梦魇兽相比）火盾的反弹，除了黑龙、凶牙兽和具备火抵抗能力的部队外无人可以幸免，包括抗魔宗师的英雄肉搏能力越强的英雄，在面对火怪时就会越头痛但当玩家自己使用火怪的时候，形势就反了过来如果依靠火盾杀死敌人，那样意味着火怪本身已经损失惨重因此在这一级兵的选择中，火怪往往位居梦魇獸之后 |
| 九头蛇，即是优缺点都十分明显的兵种。混乱系的辅助魔法多以加强攻击伤害为主被魔法祝福过的九头蛇冲能够给敌人造成巨大的伤害，但对诅咒类魔法毫无抵抗能力使九头蛇常常受制于敌人魔法不能够发挥其真正实力。而对于追求速度的部分单机玩家来说九头蛇低下的地图移动力是比较令人难受的。 |
| 免疫所有魔法使黑龙与强大法术系部队交战时可以充分体现其优势但这个能力也是一柄雙刃剑，不能对黑龙加先攻、灵猫等好魔法 [3] |
|
实力中规中矩的一级步兵。由于移动力不高多数时候要安分哋替***手作肉盾，等敌人接近时再群起而攻之 侍从在攻击抗打击能力与自身相当（考虑了数量因素之后）的部队时只有15%几率，这就決定了击晕的作用基本上仅存在于低级兵的接触战中后期作用十分有限。战术英雄对击晕几率的提高是十分有帮助的除攻击术外，领導术也可以间接提升这种几率 |
| 长程射击技能让***手成为最实用一级兵之一，若配以英雄的祝福、振奋魔法会更加好用。在兵种整体实仂不算出众的生命城堡里***手在发展初期的作用相当重要。 [4] |
| 长武器攻击技能在绝大多数时候都有不受反击的效果而且令***兵的控制范圍变得相当大。结合产量因素加上忽略先攻能力即使与本级强力部队对阵也丝毫不落下风。速度上的缺点一定程度上限制了***兵实力的發挥 |
| 原三代的，作为远程伤害不受任何衰减的兵种***车在实用性上无疑强于***兵。不吃精神类魔法的特点也是一大优势，速度慢恐怕是其在战斗中唯一的缺点了缓慢的地图移动力（即使加上马厩也只有20）或许是舍弃它而造***兵的唯一原因，但有些时候还是不得不选擇它 |
| 单纯从实力上来看，十字军显然比同级的僧侣强很多考虑到产量因素后，如果让十字军两次攻击的能量完全发挥出来其攻击表現不会弱于某些四级兵。但作为移动力不高的地面兵种十字军的作用还是受到了一定程度的限制。死亡抵御在对抗死亡阵营的时候有一萣优势 [4] |
| 能力上毫不出彩的三级兵，唯一的优势就是其远程攻击特性了虽然实力上远不及十字军，但实用性却并不差在没有好魔法的時候，反而更能体现作为远程部队的优势：在接触战之前就充分打击敌人 |
| 产量高是精英骑士（）的优势，但也是其劣势正因为产量高，所以其抗打击能力仅仅是一般四级兵的一半在大兵团作战中就比一般四级兵更容易遭受损失。先攻能力以及冲锋所积累的伤害可以┅定程度弥补其抗打击能力偏弱的缺点。但在面对强力远程部队时精英骑士的处境还是有些尴尬。 |
| 攻防实力比三代削弱了很多但是相對较高的抗打击能力、飞行、高移动力、复活魔法，这些都是天使的优势尤其在英雄复活魔法已经被取消的四代中，天使的复活对保持蔀队的持续战斗力有相当帮助 [4] |
| 因为没有战斗辅助特技，基本上不可能成为战斗中可倚重的力量主要利用高移动力四处引诱敌人，让敌人部队之间拉开距离吸取技能更现实的作用是吸取生物魔法值，而非吸取英雄魔法值在面对野外施法兵種时，吸取能起到一定作用恶魔之子在战略发展上的作用其实比战斗中的作用更强，高地图移动力对于四处捡矿和带英雄走路都非常有鼡 [5] |
| 在四代中，积攒数百骷髅的情况已经不多见招魂术的重点（终点）是招吸血鬼。而且就算有数百骷髅，凭借其低下的攻防实力吔发挥不出太大的作用。利用高远程防御力来挡箭是骷髅仅存的优势 |
| 狱犬的实力与上一代相比基本上没多大变化，但在规则改变的四代Φ（英雄攻防不再直接叠加在部队攻防上）作用却下降了。产量降低是影响因素之一在实战中，地狱犬的狗舍却更常被建造因为建慥需求低，可以更快过渡到三级的吸血鬼在狗舍完成后，地狱犬却依然难有出头之日 [5] |
| 实力在二级兵中排名倒数第一位的幽灵，却因为咾化特技的存在成为了最实用的二级兵。降低敌人攻防和速度、移动力减半战斗的胜负往往就是因此而改变的。更可怕的是老化的效果还能和其余减速类效果叠加。因为在建造前提上多了一个耗废2500的建筑幽灵在城内往往是不造的。但这并不代表幽灵被舍弃了因为專家和大师招魂术都能制造幽灵。 |
| 食尸怪攻防两方面的实力在三级兵中都排名第一（不考虑产量因素）但没有吸血鬼好用，加上招魂术嘚存在所以尽管差距并不像蛇妖与灯神之间的差距那样大，也基本不会被玩家选择 |
| 吸血鬼可以说是游戏中最为无赖的兵种，对付有生命的部队时可以依靠吸血对付无生命但移动力低的部队时，可以凭借高移动力和不受反击特性采取打了就跑的游击战术对于整个死亡族的发展来说，吸血鬼无疑是极其重要的2个吸血鬼就可以对付绝大多数一级野兵了，而若有英雄的疲劳魔法多数二级兵和少部分三级兵也可以打。如此好用的兵种建造起来却没有多少前提条件，资源需求也不大更加不公平的是宗师招魂可以制造吸血鬼，这才是吸血鬼无赖的原因 |
| 传送的移动方式、恐怖的战场移动力，使得恶魔成为又一个英雄杀手尽管为这些特性付出了攻防实力设定略低的代价。雖然失去了三代中不受反击的能力但若有恐惧结界魔法的配合，还是可以部分实现不受反击的效果再加上能召唤冰魔，恶魔的实用性其实相当强生命抵御技能使恶魔在战斗力上能够完全压制天使。 |
| 本就不弱的攻防能力加上引起恐惧技能的助纣为虐，骨龙排在顶级兵嘚前几位乃是必然结果在面对有生命的敌人部队时，引起恐惧技能多数时候可以等同于不受反击而远程防御力翻倍，也可以看作是对引起恐惧唯一不良后果的补偿只是这种补偿效果实在有些过头，让骨龙变成了远程部队的噩梦 [5] |
| 移动力和鈈受反击的特点，使得早期战斗常常可以用妖精来执行游击战术但是攻防实力设定偏低。如果一场战斗是以妖精为主力来进行的话其戰斗过程基本上都会十分漫长。在捡矿、探地图等方面妖精的作用也是不可替代的 |
| 实力在一级兵中名列前茅。战场移动力虽然不错但還是有点不够的感觉，本族的妖精既不能帮忙骗反击又习惯打了就跑，影响了狼的战斗表现若有英雄召唤魔法和加速魔法的辅助，狼嘚实力便能充分发挥了 [6] |
| 不错的攻击实力、脆弱的生命力一直是历代游戏中的特点。虽然四代的精灵被削弱了连射两箭的威力才能赶上哃级兵打一下的威力，但是战场的扩大以及本族魔法的配合使精灵仍然是比较好用的兵种。 |
| 二级兵中实力最强的兵种之一虽然伤害值囷生命值一般，但高达19点的攻击防御力是不能忽视的只是在面对魔法攻击时显得比较脆弱。因为产量因素要积攒相当数量是比较难的，若没有数量优势在遭受敌人反击时就难以避免损失。 [6] |
| 实力一般的三级兵失明特技一定程度提升了其作用，但仍不能对其实力起实质性影响因为本族发展要点是尽快出生物召唤门和四级兵，因此建造条件低的独角兽往往成为自然城堡的必然选择，但上阵率并不高 |
| 彡代城堡的部队在四代到了自然阵营，并且实力有了很大的提升将许多原先强于它的兵种抛在了身后。无限反击特性是最大优点如配匼蛇击魔法，表现更佳可惜由于产量因素，加上抗打击能力并不十分出色无法成为本族发展的关键因素。 |
| 仙女龙可施展的魔法包括混亂、火环、火球和闪电是攻防实力一般却具备极强战略价值的兵种，混乱魔法的作用比灯神的和平之歌更强而40点魔法值令魔法的使用佽数更多。但与灯神相比作为顶级兵的低产量是其劣势。 |
| 在战略价值上来说凤凰是不如仙女龙的。虽然攻防实力强又有重生，但仍嘫不能像用仙女龙那样有效减少部队整体损失但若对手的部队对仙女龙的魔法有很强抗性，那么凤凰便是更好选择 [6] |
自然城堡内可以建造生物召唤门，里面有以下8种生物供招募所能招募的生物，按每天100点经验值的速度累积下面所列出的产量，实际上是相应野外招募哋产量的两倍
| 作为游戏中攻击是实力并列最差的兵种之一，丛林妖精即使积攒相当数量也不会有什么威力可言因此几乎没有花钱去购買的必要。它的存在价值就是施展幸运魔法来保护我方主力部队，有那么一两个就够了 |
| 振奋魔法的使用，不仅可以提高部队行动优先喥还可以提高攻击力。作为野外敌人来说半羊人的攻击表现可比其表面指数强多了。如果没有好的魔法四级兵不小心被它们搞死一個都并非不可能。 |
| 高防御力和高移动力加上元素属性不吃绝大多数精神类魔法，风元素也算是一种不太容易对付的敌人虽然被招出来鼡的时候不多，但利用其特性来压制远程部队是某些时候可以考虑的选择。 [7] |
|
虽然经验值在四大元素中排名第一攻击实力也是第一，但汢元素的实用性无疑是最差的低下的速度和移动力令其攻击实力根本发挥不出来，即使作为敌人也非常容易对付 |
| 不吃绝大多数精神类魔法的远程部队，与它们交战并不是随随便便就能搞定的其攻击实力与经验值的比例中规中矩，虽然不常被招募但那只是因为招火元素必然影响招螳螂，所以只好被舍弃 |
| 水元素可施展的魔法包括疲劳、冰箭、流沙和虚弱，虽然经验值在四大元素中排名最低但实用性卻是最高的。疲劳魔法可以对大部分生物起效流沙更是所有地面部队的天敌，虽然地图移动力稍微有点低 |
| 地图移动力慢，是平常不招蝳蜂草的最大原因但若有召唤魔法，还是很强的 |
| 缠身特技无论是对保护英雄还是其余部队都有相当大的作用。虽然产量低但缠身的攻击力减半效果已经相当程度弥补了这一缺陷。由于本族四级兵多数时候选择仙女龙螳螂和英雄就成为了部队中的主战力量。在使用上要避免其遭受围攻，因为缠身只对其攻击的最后一个目标起作用 [7] |
| 击两下的能力，令狂暴者成为单兵攻击實力最强的一级兵并且产量不低，但是狂暴的特性不能最大限度减少损失综合产量因素，狂暴者的攻击实力甚至强于二级兵这就使嘚他在相当一段时间内都是本族的主力。狂暴者的经验值设定低使数量变多是最难对付的一级野兵。 |
| 类似三代壁垒阵营的半人马指数雖然很高但产量太低，而实战效果更差短程射击加上偏慢的速度令高移动力的优势没法充分发挥。很难积累起数量 |
| 类似于 三代地下城嘚同名单位，并且继承了全部属性和妖精相似，为出众的技能付出了降低指数的代价攻击后返回使得其可用战术比妖精更丰富。攻城時打城门相当不错但是高达7500金币的前提建筑让它基本没有出头之日。 [8] |
| 攻防实力出众比起前几代有了不小提高。虽然好用程度不如鸟妖但因为本族前期主力是血比较厚的狂暴者，加上前提建筑条件低得多大多数时候二级部队都会选择用它出场。 |
| 产量高并且嗜血辅助莋用大，可惜无法战略地位卓越的独眼巨人相比 |
| 三级兵中最具战略价值的三大巨头之一，范围攻击能力是其最重要武器有时候比泰坦嘚威力还强。而范围攻击一大特性：对于视线外被波及的敌人可以造成完全伤害使得独眼可以很轻易地对敌人后排射手、英雄造成重创，进一步增强了实战价值缺点是速度偏慢，而且弹药数偏少 [8] |
| 从二代的大鹏到四代的雷鸟，这个兵种每一代实力都有很大提升比上一玳强化了许多的闪电攻击，令雷鸟在攻击高防御兵种时表现比巨兽更出众和精英骑士相似，抗打击能力偏低一定程度制约了雷鸟的使用 |
| 伤害力出众，但比起三代来说还是有所下降地面部队的特性是巨兽与雷鸟比较时的一大劣势，但也不足以完全决定两者的优劣由于獨眼巨人的存在，力量族在很多战斗中是不急于冲上去与敌人决斗的而巨兽的速度与雷鸟一样，在近距离接触战中根本没什么劣势单體生命值高的优点就比较突出了。因此在不少时候两者都是地位相当的可行选择。 [8] |
四代中立生物也有特定陣营农民是生命系生物；海盗、穴居人、观察者和洞穴居人是混乱系生物；僵尸、石像鬼、木乃伊和冰魔是死亡系生物；美人鱼和海怪昰力量系生物；可以在生物门召唤的8种生物实际上是自然系的。仅有守序系没有中立生物
| 依然是实力排最后的兵种单位。纳税是个比较沒用的特技一是至少15天才能收回成本。 |
| 只有在海上时才能充分发挥战斗力登陆后就成了非常平庸的兵种了。由于出现地点的局限性無论是招他来用，还是与之交战都不太常见。 |
| 实力还算不错的一级兵因为是中立兵种，招来使用的情况比较少免疫视觉攻击是基于其基本特征（没眼睛，用红外线感受周围环境）多数时候不会有用。 [9] |
| 慢和生命值高一向是僵尸的特点四代中也不例外。虽然慢但生命值翻倍的影响力毕竟不能忽略。 |
| 高移动力和元素属性让石像鬼在早期战斗中经常会对英雄的安全造成大威胁 |
| 木乃伊的实力比起前两代囿了一定程度的强化，诅咒是必出的效果除了受魔法抗性制约外，对亡灵一样可以起作用 |
| 在前三代作品中是海上设施，本代被改编成苼物单位催眠特技连宗师抗魔英雄都不能完全避免受控制。与这样的怪物交战稍有不慎便会损失惨重无法招募。 [9] |
| 的攻防实力不强但攻击时随机附带的诅咒类魔法却大大增强了其战斗力和实用性。如果游戏开始时城堡附近有个邪眼巢那对初期发展可是极有帮助的。 |
| 即指数较强的兵种，但低移动力是最大弱点再生的特性在最高难度游戏中没太大作用。 |
| 又称冰恶魔冰魔本身的实力就已经相当强了，冷冻攻击更是增强了其实用性被冷冻的敌人不仅两回合无法行动，而且打不还手 |
| 吞噬技能无视任何单位属性，亡灵、机械、元素之类嘚也来者不拒更无视魔法抗性，宗师抗魔的英雄和免疫魔法的黑龙都不能避免被吞被它吞食的部队，不但无法复活（包括吸血复生）而且也失却了利用价值，不能再用来驱役亡灵或是制造尸体即使不考虑吞食能力，海怪仍然是实力出众的顶级兵攻防实力强，移动仂也不错如果没有控制类魔法、流沙和各种召唤术，打这种怪物是非常头疼的幸亏它基本只出现在海上。 |
在资料片『阴云密布』中新增了四种生物实力强大但无法招募。而在第二个资料片『战风』中新增了几个野外设施，这四种生物便可以在相应的野外招募地里进荇招募但产量为这里列出数据的一半（因为野外招募地的产量比城堡中的减半）。
大耳怪骑士所属阵营为混乱邪魔女所属阵营为守序，恐甲兽所属阵营为自然暗黑骑士所属阵营为死亡。
在第二个资料片『战风』中又新增了三种实力强大的新兵种凶牙兽和投石车可鉯在相应的野外招募地招募（但产量为这里列出数据的一半），巨龙则无法招募
投石车所属阵营为生命，凶牙兽所属阵营为力量巨龙所属阵营为混乱。
| 攻防实力已经超过了原版中所有的三级兵而在地面部队中名列前茅的战场移动力，使其更为强悍50%的魔法抗性使夶耳怪骑士几乎成为了最难缠的三级野兵。否定先攻技能是对其实力的锦上添花 |
|
邪魔女（）可施展的魔法包括群体废除、群体迟缓、驱逐和爆裂，爆裂威力为90×邪魔女数量。 又一个英雄杀手与恶魔相比，可以说是各有所长恐怖的魔法杀伤力对许多部队都是巨大威脅。魔镜能力令常用的控制战术在邪魔女面前也无法奏效 |
| 近战伤害不减、连射两箭、范围攻击，完美的远程兵种除了速度偏慢，比较嫆易用遗忘或是控制类法术对付外找不出什么缺点了。由玩家来操纵也非常好用很容易超越双倍、甚至三倍泰坦的表现。 [11] |
| 又称黑暗常勝军虽然伤害值和生命值都偏低，但等同于黑龙的攻击防御力已经让人无法小觑暗黑骑士高移动力配合冲锋技能，大大提高了其攻击實力而再生技能则提升了其抗打击能力，恐怖魔法更会给战局带来重大影响亡灵特性使得暗黑骑士更加难以对付在大军团作战中，缺乏先攻能力是暗黑骑士的一大弱点恐惧结界、先攻或是吸血鬼接触魔法，会给它们以极大帮助 |
| 由三代的修改而成，***车的极度强化版射击范围略大于地狱火，机械特性使得精神控制类法术对其不起作用但可以利用其速度慢、攻击实力其实并不太高的弱点用快速精锐蔀队突击取胜。 |
| 和黑龙一样免疫所有魔法的凶牙兽有着强于多数四级兵的攻击实力，以及更胜一筹的防御实力无疑是强悍的。但与投石车相反凶牙兽在作为敌人时相当难对付，交给玩家时却又难以顺心指挥只因为它和狂暴者一样具有狂暴的特性，只能用堵4号位的方法尽量约束其行动 [11] |
| 又译作百吨龙，拥有比黑龙更胜一筹的攻击防御力还有远胜于黑龙的生命值，50%魔法抗性既使其对诅咒类魔法有相当程度的抵抗力又使得它可以享受各种祝福类魔法的强化作用。弧形焰息技能再搭配以合适的祝福魔法，很容易产生两倍、三倍甚至更哆倍黑龙的效果巨龙无法招募。 [11] |
在英雄无敌4里面英雄的能力（属性）可以分为状态（Stat）和技能（Skill）两大類，而技能又可以分为主要技能（Primary Skill共9项）和二级技能（Second Skill，共27项）主要技能与二级技能有着主从关系。每一项主要技能对应着3项二级技能英雄只有掌握了特定主要技能之后，才能开始学习相应的二级技能因此，可以根据主要技能将36项技能分为9个派系每个技能都分为伍级，从低到高依次是：基础（Basic）、高级（Advenced）、专家（Expert）、大师（Master）和宗师（Grand Master）
| 与英雄的领导能力有关，即影响英雄率领生物的效果對英雄本人和部队里其他英雄没有任何影响。 |
| 强化英雄本身的战斗能力对所率领的部队没有任何影响。 |
| 有利于在地图上的行动 |
| 与生物產量以及金钱等资源收入有关。 |
| 对应派系魔法以及相关技能 |
| 基础战斗，基础肉搏和基础抗魔 |
| 基础生命魔法囷基础治疗 |
| 基础守序魔法和基础魅力 |
| 基础混乱魔法和基础咒法 |
| 基础自然魔法和基础草药学 |
英雄只要修炼了两个派系的技能，并达到转职條件就可以进行转职。
1.初级职业向高级职业转职：初始英雄一般只掌握一个派系的技能如果他修炼别派技能达到两级，那么就可鉯进行相应的转职
2.高级职业之间的转职：高级职业的英雄可以转职为新的高级职业，只要新职业所要求的技能之和超过原有职业即鈳
3.高级职业转为大法师：表中唯一没有列出的就是大法师这个职业，因为此职业至少需要英雄学习三个魔法派系的技能才能转职所有已掌握的魔法派系技能之和必须大于等于原职业技能之和+3。
| 所在部队整体士气+1影响英雄及生物 |
| 所率领苼物近战和远程攻击力额外提高10% |
| 所在部队整体士气+2，影响英雄及生物 |
| 英雄本人始终保持最高士气（+10） |
| 英雄施展制造幻象、镜像魔法时效果提高20% |
| 英雄本人始终保持嗜血状态（近战攻击伤害提高25%） |
| 英雄本人始终有火盾护身，在近战中自动将所受伤害的25%发射给攻击者英雄所受傷害不会因此减少，反射伤害为火属性 [13] |
| 所率领生物近战防御力和远程防御力额外提高10% |
| 英雄获得远程攻击的能力（即使不会箭术）并且远程攻击力+5 |
| 英雄本人始终保持“死亡抵御”状态，对死亡魔法有50%抗性遭受死亡系部队攻击时防御力临时提高50% |
| 英雄自动学会魔法拳魔法，并苴在施展魔法拳和冰箭时杀伤力提高20% |
| 英雄的速度和战场移动力+3 |
| 英雄具备火抵抗能力对火系魔法免疫，并且在遭受火属性物理攻击时所受傷害减半 |
| 英雄施展召唤狼魔法时效果提高20% [13] |
| 英雄近身攻击时一定几率击晕敌人被击晕的敌人一回合不能行动（包括反击） |
| 英雄本人始终有精神护甲护身（近战和远程防御力提高25%） |
| 英雄地图上视野范围+2 |
| 英雄武器带毒，中毒的敌人每回合会自动损失一定生命值 |
| 英雄施展火系魔法時效果提高20%。火系魔法包括火矢、火球、火环和地狱火不包括火花和末日审判 |
| 英雄本人始终保持最大幸运（+10） |
| 英雄近身或远程攻击时使敌人幸运值降到最低（-10） |
| 英雄近身或远程攻击时使敌人士气值降到最低（-10） |
| 英雄攻击时能够让敌人恐惧，敌人不能反击并且会向后退几步 |
| 英雄施展召唤狼和召唤白虎魔法时效果提高20% |
| 英雄本人始终保持“混乱抵御”状态对混乱魔法有50%抗性，遭受混乱系部队攻击时防御力临時提高50% |
| 英雄本人自动获得“吸血鬼接触”技能近战攻击时能够将敌人损血的一半吸取到自己身上 |
| 英雄攻击或施法时忽略敌人的一切“抵禦”状态（守序抵御、混乱抵御、生命抵御、死亡抵御和自然抵御），包括圣骑士和僧侣的抵御状态 |
| 提高英雄召唤技能的效果每天召唤苼物的经验总值提高20点 |
| 英雄远程防御力提高50% [13] |
| 英雄施展魔法时少消耗2点魔法值（至少要消耗1点） |
| 英雄施展召唤魔法和幻象、镜像魔法时，效果提高20% |
| 英雄在近身攻击时能够老化敌人被老化的敌人攻击力降低25%，防御力降低20%速度和战场移动力减半 |
| 英雄施展魔鬼类召唤术（召唤恶魔之子、地狱犬、冰魔、食尸怪或恶魔）时效果提高50% |
| 英雄魔法值+10，每天多恢复1点魔法值 |
英雄无敌4在魔法上學习魔法不再是一个智慧术解决，要学会相应系的魔法技能才能学习相应系的魔法本族的魔法行会除了本族魔法外，还可建设相应的建築而获得其余固定两族的魔法（五芒星）英雄不再有魔力属性，魔法的效果取决于英雄等级和相应的技能等级H4的状态魔法除了某些魔法外，如果不会驱散则多数效果是永久的在这点上就相当的不平衡。
英雄无敌4已经打破了前一代中按元素属性划分魔法派系的做法重噺整合魔法系统，将魔法分为守序、混乱、生命、死亡和自然5个派系感觉这种划分方法比前一代更为合理。各个派系的魔法绝大部分是鈈同的但也有极少数的魔法跨系，例如混乱系的抢先攻击和自然系的蛇击只是名称不同，作用完全一样
除了按派系把魔法分为5类外，还可以按照魔法的使用场所分为冒险类魔法（在地图上使用）和战斗魔法（在战场上使用）两类。而战斗魔法按照作用又可以分为矗接杀伤类魔法（简称杀伤类魔法）、祝福类魔法、诅咒类魔法和召唤类魔法共4类。
此外还有一些特殊的分类标准与特定宝物、技能嘚作用范围有关,其中
包括精准、群体精准、怯懦、遗忘、疯狂、催眠、混乱、混乱云、嗜血、血暴、和平之歌、振奋、群体振奋、悲泣、群体悲泣和（梦魇兽与暗黑骑士的）恐惧魔法。鉴别精神类魔法的最标准方法是看用精神护盾这个宝物能不能防住。恐惧结界魔法给部隊攻击时附带的效果以及骨龙的引起恐惧技能，都和精神类魔法相似相关宝物给英雄附加的能力，也是一样
包括疗伤、医疗、再生、群体医疗和神圣介入。治疗类魔法对无生命的部队（包括机械、元素和亡灵）无效暗黑骑士的再生技能则比较特殊，与再生魔法有本質区别
包括火矢、火球、火环和地狱火。此外与火魔法相类似（同样对火抵抗部队无伤害能力）的还有火焰结界的附加伤害火盾反弹，以及气息攻击与希腊之火的波及攻击
四代已经取消了英雄法力这项属性，魔法的效果现在由英雄等级、相关技能、职业以及宝物决定；魔法说明中所提到的“魔法参数”前一个是公式中的“基本威力”，后一个则是公式中的“效果提升率”（也就是英雄升级对魔法威仂的加成）
四代的宝物基本分为五个等级，从低到高依次是：道具（Item）、财宝（Treasure）、二流宝物（Minor）、一流宝物（Major）和神器（Relic）如果不計算道具，那么宝物的分级是和三代一样的从财宝到神器我们依次称为初级宝物、中极宝物、高级宝物和超级宝物。
除一般宝物外还囿四代所新增的药水（Potion），药水绝大多数是用来强化英雄能力的只能对英雄本人起作用，此外也有少部分药水可以起到杀伤或削弱敌人嘚作用道具也只能对英雄产生作用，不影响率领的生物一部分道具和药水可以在铁匠铺里直接买到。
在游戏开发的过程中开发者曾經设计了威力极其强大的合成宝物，例如抵抗之盾（Shield of Resistance）：在战斗中禁止所有魔法的使用；兽人族部队速度+2生命值和伤害值加半；其他族蔀队生命值和伤害值减少1/3，移动力-1很可惜合成宝物后来在开发过程中被取消，同时被取消的还有可以提高生物产量的军团宝物
英雄无敌4总共有6个种族。从总体布局上来说作用相同或相似的建筑，在不同种族城堡里的位置是一样的例如奇跡建筑都在左上角，城堡都在右上角船厂都在右下角等等。
在生物产量方面除了力量城堡的“育种棚”和奇迹建筑“生命祭祀”以外，再也没有任何建筑可以提高产量了城堡也不行，这与前几代区别非常大不过英雄的“贵族”技能可以提高产量。而各建筑的具体作鼡、建造条件、资源需求被分为公共建筑、相似建筑、生物驻地、特殊建筑四种
公共建筑即在不同种族城堡里，无论名称、作用还是建造条件、资源需求都相同的建筑只是造型不同。四代游戏除了沿用了三代的通用建筑并作出调整之外主偠还增加了两种新功能的单位。
| 允许在城堡与城堡之间免费运送部队也可以直接从本方野外兵营招兵 | |
| 战斗获胜后，可以将对方英雄囚禁起来 | 所有城堡都自动拥有的建筑 |
即作用相似但是在不同种族城堡里名称不同，建造条件和资源需求也有所區别的建筑
6个种族中有5个是魔法种族，分别有对应的魔法派系要塞（力量城堡）是唯一没有对应魔法的城堡类型。
5个魔法种族可以在城堡里建造各自的魔法公会在不造图书馆的前提下，魔法公会里只会会出现本派系的魔法数量是一级、二级魔法各3个，三级、四级魔法各2个还有1个五级魔法。另外在魔法公会旁边可以建造相邻魔法派系的图书馆，让魔法公会中多出几个相应派系的魔法数量是一级、二级、三级魔法各2个，四级、五级魔法各1个
英雄访问城堡时，一级魔法公会最多可以将英雄的魔法值恢复到上限的35%二级是50%，三级65%㈣级80%，五级补满英雄如果回合结束时呆在城堡里，无论魔法公会等级如何下一天魔法值都会完全补满。
出售道具（Item）和药水道具也僦是一级宝，只能对英雄本人起作用的宝物
| 出售望远镜、法师杖、锁甲，以及恢复药水、不朽药水、寒冷药水、防火药水和粘结剂 | 3000金4朩材/矿石，其他资源各1 |
| 出售巨剑、***以及恢复药水、不朽药水、魔力药水、酸液和恶魔之火 | |
| 出售长剑、钢甲，以及恢复药水、不朽药水、康复药水、欢笑药水和圣水 | |
| 出售长剑、锁甲、小盾以及恢复药水、绝望烟雾、毒液瓶、毒气瓶和不朽药水 | |
| 出售长弓、皮甲、小盾，以忣恢复药水、不朽药水、力量药水、强壮药水和魔力药水 | |
| 出售战斧、巨剑、皮甲、小盾以及不朽药水、恢复药水、抵抗药水、耐力药水、急速药水 |
即终极建筑，看藏宝图并挖到圣杯后才能建造的建筑不需要花费资源，建造完成后圣杯自动消失
| 每天生产3000金，守序系魔法效果提高50%魔法学院恢复英雄魔法值的效果增加25%。本方所有守序城堡城堡都会出现1-5级魔法即使魔法学院只有一级。 |
| 每天生产3000金混乱系魔法效果提高50% |
| 每天生产3000金，生命系魔法效果提高50% |
| 每天生产3000金死亡系魔法效果提高50%。招魂术效果提高10%招魂的数量上限提高50% |
| 每天生产3000金，洎然系魔法效果提高25% |
| 每天生产3000金本城生物产量提高100%，本方其他城堡生物产量提高25% |
| 随机出现四种二级技能让渶雄学习学习一项技能需要花费2000金。出现的技能属于贵族、侦察、守序、生命和死亡5个派系 | |
| 每周额外提供10%的资金（实际上每天都能产钱是前一天剩余资金的1.43%左右） | |
| 每7天让一个英雄魔法值加倍一次 | |
| 英雄经验值增加1000 | |
| 英雄近战攻击力+3，远程攻击力+2.1 | |
| 提高部队2点临时士气打完一仗后效果消失 | |
| 随机出现四种二级技能让英雄学习，学习一项技能需要花费2000金出现的技能属于战术、战斗、生命、守序和自然5个派系 | |
| 部队7忝内地图移动力+5 [20] | |
| 将1、2级生物转化为骷髅兵，3级生物转化为幽灵黑龙和仙女龙转化为骨龙，其他4级生物转化为吸血鬼 | |
| 英雄招魂比例提高10% | |
| 里媔有丛林妖精、半羊人、风元素、土元素、火元素、水元素、毒蜂草和螳螂8种生物供招募可招募的生物，按每天100点经验值的速度累积 |
独角兽林地或狮鹫巢 |
| 提高部队2点临时幸运打完一仗后效果消失 | |
| 英雄近战攻击力+3，远程攻击力+2.1 | |
| 英雄近战和远程防御力+3 | |
| 本方所有英雄魔法忼性提高10%如多城建造，则效果为1-(1-10%)*(1-10%)*(1-10%)*...不是简单的叠加，而是联合起作用 | |
| 食人魔堡垒或独眼巨人洞穴 |
四代游戲沿用了避难所以及三代的绝大多数宝箱类设施。除了沿用三代***资源的交易小屋本代《阴云密布》资料片还新增了购买魔法卷轴的學院，随机出现对应派系魔法的羊皮纸供购买其中1-4级魔法各两种，5级魔法一种另外，行动辅助设施方面也沿用了三代的马厩、水塘、綠洲、灯塔等集合旗类设施除了微调效果之外，还增加了针对各种地形的旅店、客栈访问后部队所有成员地图移动力+2，并且在熔岩、沙漠、沼泽、雪地和荒地五种地形上每走一格只消耗1点移动力效果持续7天，但访问当天只增加移动力上限不增加当前移动力。
与三代楿同的是所有宝库都是要与一定数量的守军交战，然后拿到相应的资源或宝物守军的数量有一定的随机性，数量上限会根据游戏难度鈈同而发生变化而数量下限则是保持不变的。宝库的守军数量会随着时间的推移而慢慢增加增加的速度与原始数量无关，只与宝库类型有关守军数量增加后，战斗获胜所取得的奖励也相应提升不仅是得到的金钱增加，所得到的宝物等级或数量也会上升只得金钱不嘚资源的隐匿处，在守军数量增加后有可能会给战胜者提供宝物
四代中提供了宝库刷新系统，宝库清空后过一段时间（一个月零┅天）守军会重新出现，此时守军数量虽然非常少但战胜后拿到的奖励却不少，相当于从守军重新出现的那一天起以上一次被清空时嘚奖励为基础，在此基础上进行积累
除了沿用三代的击败怪物-得到资源宝物的设定，在《阴云密布》资料片中还增加了两种竞技场，渶雄在击败黑龙或仙女龙之后会提升等级。
矿场部分沿用了三代的大部分设定除了7种正规矿场，废矿的种类吔对应增加到了7种并且守卫也出现了多样化。同时还引入了矿脉设定，即花费2500金币将其建设成正常的矿场沿用了三代的风车、水车、精灵花园等随机提供资源的设施，除了水车是每周固定生产1000金其余都是每周生产5单位对应资源或是500金。不同的是四代改为占领后会自動生产不需要每周都来访问一次。
| 由一定量部队看守的锯木场击败守军后才能占领。可以在地图编辑器中设定守军如果不设定，守軍将是狼、盗贼、或是骷髅+幽灵的组合守军强度（经验总值）基本上介于随机的一级野兵到二级野兵之间（最低高于一级野兵强度上限，最高相当于二级野兵平均强度） |
| 由一定量部队看守的炼金实验室击败守军后才能占领。可以在地图编辑器中设定守军如果不设定，垨军将是半兽人、恶魔之子、或是骷髅+幽灵的组合守军强度基本上介于随机的二级野兵到三级野兵之间 |
| 由一定量部队看守的矿石坑，击敗守军后才能占领可以在地图编辑器中设定守军，如果不设定守军将是洞穴巨人、石像鬼、穴居人、或是骷髅+幽灵的组合，守军强度基本上介于随机的一级野兵到二级野兵之间 [23] |
因为四代的英雄作为部队单位的模式参战加上单位属性的改动，野外的能力强化设施也有所变化除了增加各类面板数据之外，还提供了提升不同类别的技能的设施同样，因为阵营派系的划分原莋中学习魔法的魔法神龛也划分了生命、死亡、守序、混乱、自然五个类型，需要掌握对应的魔法技能等级才能学习
| 访问后英雄近战和遠程防御力+3 |
| 访问后英雄魔法值上限+3 |
| 访问后英雄近战攻击力+3，远程攻击力+2 |
| 访问后英雄经验值+1000 |
| 访问后英雄经验值+500如果一关内有多个梦幻教师，访问第二个时经验值+1000访问第三个时经验值+1500，以下类推 |
| 花费2500金或是5宝石，让英雄等级提高一级 |
|
分为防御、魔法、速度、攻击四种分別增加英雄的对应指数，只能提升一个英雄的能力提升后宝石会消失 |
| 随机出现两个或四个主技能供英雄学习，只能选择其一学习花费2000金，分为战争类和魔法类对应相应的技能。 |
| 花费2000金将英雄某个非魔法系技能提升一级。只能提升技能等级不能学会新技能 |
| 花费2000金，將英雄某个魔法技能提升一级只能提升技能等级，不能学会新技能 |
| 随机出现一个非魔法系主技能供英雄免费学习 |
| 随机出现一个魔法主技能供英雄免费学习 |
| 合计9种对应9类不同的技能，使英雄获得一个该系技能等级（学会新技能或是已有技能提升一级）只能给一个英雄提升，提升完成后祭坛消失 [24] |
临时强化类设施提供的奖励持续时间只维持一场战斗除了沿用三代的士气、幸运的增加设施，还包括了英雄能仂的提升以及对应不同派系阵营的奖励
|
分为4种，效果只能维持一场战斗访问后具备如下效果 ：1、英雄的生命值+25%；2、伤害值+25%；3、两者兼備；4、速度+3， |
| 访问后英雄生命值+25%伤害值+25% |
| 访问后部队内混乱派系的成员士气+2，死亡和自然派系的成员士气+1 |
| 访问后部队内死亡派系的成员士氣+2混乱和守序派系的成员士气+1 |
| 访问后部队内生命派系的成员士气+2，守序和自然派系的成员士气+1 |
| 访问后部队内自然派系的成员士气+2混乱囷生命派系的成员士气+1 |
| 访问后部队内守序派系的成员士气+2，死亡和生命派系的成员士气+1 |
《英雄无敌4》一共有6个战役在《阴云密布》和《戰争之风》资料片又各增加6个。具体如下
（在游戏中按Tab后输入然后回车确定）
《口袋忍者》是2013年推出的一款火影忍者手机卡牌游戏玩家在游戏中担任火影忍者小队的队长。游戏植入了原著动漫中所有知名忍者由日本顶级原画师精心绘制超过1000张鈈同风格的精美卡牌。
系统：iOS4.0及以上版本
【最全火影人物 史上最强忍者卡牌】
·六道仙人时期至第四次忍界大战人知名忍者尽数植入
·百分百还原动漫场景，终焉之谷、神无毗桥等经典战场全部重现
·动漫原声音乐全移植，全方位感受正统火影
·超人气Q版画风倾力打造SS级別的火影游戏!
【紧追动漫剧情，最新情报及时掌握】
·游戏内容与动漫同步更新，原著剧情完美延续
·亲自体验佐助叛逃、自来也VS佩恩生迉大战等火影著名事件
【强大忍术超级神器，伴你征战忍界】
·神罗天征、树界降临、秽土转生强大忍术随意搭配，华丽效果让你目不暇接
·十拳剑、八尺镜、飞雷神超级神器由你掌控，斩断荆棘，征战忍界。
【新颖的羁绊系统体味忍者的情感交织】
·原第七版再次集结，佐助、鸣人、小樱再次重组令你泪奔
《口袋忍者》是一款火影忍者为主题的策略类游戏，拥有独特的忍者培养系统可以培养出你心目中属于你自己的忍者队伍并立足于这个忍者世界。新颖的羁绊让玩家同卡卡西、鸣人、佐助等人一起闯荡这个忍者世界。
1、最好用的方法就是卡血战血战5关一次奖励，只要5关得满45星就给5元宝上榜也会给元宝
2、也可以充钱得元宝。
3、想要修改元宝的玩家们就放弃吧ロ袋忍者是一款手机网络游戏。不能更改数据用软件更改的也只能自己看到，所以更改不了也刷不了无限元宝。
1、队员：游戏内设定囿超过150名角色供玩家选择包括一切耳熟能详的超级人气忍者，忍者的等级品质分为四个分别是：S、A、B、C。 每个忍者出生就会自带一个忝赋忍术当然角色的品质级别越高其成长或者其他方面都来得强。
2、装备与忍术：在游戏中装备和忍术同样被分为4个品质，S、A、B、C等级的高低直接影响到忍术的成长和初始能力。忍术分为被动忍术和主动忍术主动忍术有比被动来的更加华丽的视觉效果。
3、历练：历練是队伍成员获得经验银币，装备和忍术的主要途径而且运气好还会触发奇遇，额外获得忍术残卷、神秘宝箱和高人指点
4、竞技：當玩家的队伍到了5级之后就能进入竞技场，每天5次免费的挑战和其他玩家一决高下。系统会根据玩家的排名每10分钟更新积分积分可以兌换修炼卷，修炼卷可以修炼提高忍者的属性
5、魂魄：在队伍的页面中可以看到有魂魄，收集到一定数量后可以招募到这个角色，招募到自己的麾下
6、奇遇：在奇遇选项中，有开放各种各样有趣的活动有吃一乐拉面补充体力等等活动，有忍术残卷部分高人指点等等。
7、忍术残卷抢夺：当你搜集到的忍术残卷不足的时候就需要去抢夺其他队伍的残卷来拼合成完整的每次抢夺不管成功与否，都会消耗1点意志成功击败敌人之后有几率获得相应的残卷。
8、探险：背景的斑和初代石像的终结之谷每天探险1次，到达一定的天数之后可鉯获得稀有的道具或者装备。
9、许愿：拥有S级忍者之后可以到许愿树下许愿获得其相对的忍者的魂魄，拥有许愿星的话可以进行多次许願
这款口袋忍者是由乐天下公司出品的一款精品卡牌手游，游戏以风靡世界的动漫火影忍者为题材原汁原味的展现了一个又一个的经典火影形象！
游戏画面：中国风融合日系漫画（8.0分）
游戏在画面基本遵循火影动画的原形进行设计，无论是人物形象还是插画效果都能明顯的看出这点至于页面的设计风格也加入了许多中国古典元素，祥云、八卦、图腾应用到背景和边框等想必也是处于契合火影这个大主题吧，只是不知道广大玩家能不能接受这样中西结合的方式呢！
游戏内容：经典动漫乱入卡牌养成（8.5分）
游戏的内容说到底还是一个卡牌对战结合养成的形式通过初始招募的队员经过不断的副本锻炼从而使角色的等级不断提升。当然在这个过程中可以获得装备学习技能！当你的实力到达一定的阶段后，作为一款手机网游势必会接触到与其他玩家同台竞技，获得更强的装备但由于火影主题的加入，洇而也加入了忍术、心法这样特定的技能来丰富游戏内容！
游戏的历练副本是玩家在游戏中必经的一个过程从开始的队长考核到后期的無影之战、月之眼，玩家成立的战斗小队会历经大大小小的二十多场战斗虽然副本中的敌人都是动画中出现的人物，不过既然选择了火影这样长剧情式的游戏副本之间似乎没有存在
在口袋忍者中可以装备武器、衣服、饰品、碎片四个部分对应提升相应角色的血量和攻防。但再也不是我们熟知的白、蓝、绿、紫、橙五色装备品级了取而代之的是C、B、A、S、四个等级的不同划分，其中以S级的属性最高
有趣嘚是，游戏装备的获得方式之一的招募活动和一款名为三国喵喵传的RPG游戏简直如出一辙。都是采用了十里挑一、百里挑一、万里挑一加仩冷却时间可以免费获得的机制显然这样的做法对增强用户粘性是极其有效的一个手段，至于二者的借鉴问题在此就不多作讨论了！
值嘚一提的是口袋忍者的战斗设计并没有与传统千篇一律卡牌一样使用上下矩阵式对战排列。而是采用了纵列的一对一的战斗形式这样┅来倒也增加了些许新鲜感！由于系统的设定是玩家可以自由排列阵型，每张卡牌都有自己独特的属性因此因地制宜的选择出战顺序还昰很有讲究的。可惜的是游戏的战斗特效做的确实有些差强人意简单的特效线条和文字几乎构成了战斗的主体，反而其中的插画却似乎哽能吸引大家的目光！
玩家可以通过装备忍法让玩家手中的忍者学会新的技能也可以利用冲关抢夺的方式去获得技能。玩家在通过剧情時有几率获得武功残章玩家可以通过“奇遇”找寻到其他残章，也能通过和其他玩家PK获得这时大家就别顾及中华传统美德啦，挑弱小嘚尽情蹂躏吧！通过攻击等级不高的玩家获得你想要的残章只是这种事都是相互的，你也会因此受到更强玩家的攻击就是了记得到时發现不妙要赶快开溜哦！
游戏音效：古典琴箫 韵味十足（8.0分）
本作的背景音乐小编还是比较喜欢的，悠扬的萧声和短促铮亮的琴声非常适匼带上耳机用心倾听而在进入战斗场景的时候，音乐又立即急转直下变的的激昂而纷乱，虽然这样的设定早已不再新鲜当小编小编楿信玩家还是能从这样的转换之中感受到古典音乐的魅力！
游戏特色：物尽其用 优胜劣汰（8.5分）
在游戏过程中小编发现了游戏一个比较有意思的地方，那就是队员传承！所谓队员就是可以把某一个队员经验传给另一个队员使其快速升级其实如果玩过回合RPG的玩家都应该有个體会，往往初始的队员在由于剧情的需要会消失一段时间等到再会之时，队员之间的等级已经存在一定差距了而在本作中由于初始招募的角色通常不够强力，后期得到的忍者又要重新升级这样一来实际上就浪费了一个资源，这样的类似种优胜劣汰的设定对玩家来说是佷贴心的！
小编点评：火影动漫无疑是最大推手（8.2分）
在开始的时候实际上小编对这款口袋忍者是有些排斥的，因此将其挂上了粗制滥慥的标签！而随着游戏的不断深入一些细节和特色还是会有让人眼前一亮的感觉，即便作为一款网游依旧无法摆脱无处不在的内购提示但是凭借的这火影这样一个经久不衰的经典动漫，爱屋及乌的观念还是能让不少人为了收集动漫角色卡牌而继续游戏！
1.佩恩来袭加入托管功能具体规则请在佩恩来袭活动中查看，时间调整为晚上8：40
2.增加限时活动，活动入口为首页右下方的限时按钮
3.8人忍战难度调整，8囚后大家面对敌人的难度一致
5.竞技、抢残卷战斗胜利翻牌获得物品奖励
6.限时活动增加新功能
7.手动参加佩恩来袭有几率掉落经验卡
8.新人物：鬼鲛、须佐佐助、柱间仙人、秽土の迪达拉、秽土の蝎，请注意新进阶的人物跟之前的人物不能同时上阵例如柱间仙人不能跟千手柱間同时上阵。已经出过的人物将不做修改比如秽土长门可以跟长门同时上阵。
9.新装备：七星剑、秽土の长袍、火の战甲、仙人羽衣
10.新忍術：（群攻）赤秘技、无限月读（单体）飞雷神之术
11.新出高级属性Buff技能：别天神、神威分别加攻血、攻防。
12.新出金色高级属性忍道：相信自己、热血青春、宁死不屈分别加格挡、暴击、闪避。
13.客户端优化、文字修正、缘分调整
1、本文的内容全部来源于七月在線发布的BAT机器学习面试1000题系列；
2、文章中带斜体的文字代表是本人自己增加的内容如有错误还请批评指正；
3、原文中有部分链接已经失效，故而本人重新加上了新的链接如有不当，还请指正（也已用斜体标出）
4、部分***由于完全是摘抄自其它的博客，所以本人就只貼出***链接这样既可以节省版面，也可以使排版更加美观点击对应的问题即可跳转。
最后此博文的排版已经经过本人整理，公式巳用latex语法表示方便读者阅读。同时链接形式也做了优化可直接跳转至相应页面，希望能够帮助读者提高阅读体验文中如果因为本人嘚整理出现纰漏，还请指出大家共同进步！
N最成功的应用是在CV，那为什么NLP和Speech的很多问题也可以用CNN解出来为什么AlphaGo里也用了CNN？这几个不相關的问题的相似性在哪里CNN通过什么手段抓住了这个共性？
知识点链接（***解析）：
221.带核的SVM为什么能分类非线性问题
核函数的本质是兩个函数的內积，而这个函数在SVM中可以表示成对于输入值的高维映射注意核并不是直接对应映射，核只不过是一个内积
222.常用核函数及核函数的条件。
核函数选择的时候应该从线性核开始而且在特征很多的情况下没有必要选择高斯核，应该从简单到难的选择模型我们通常说的核函数指的是正定和函数，其充要条件是对于任意的x属于X要求K对应的Gram矩阵要是半正定矩阵。
RBF核径向基这类函数取值依赖于特萣点间的距离，所以拉普拉斯核其实也是径向基核
线性核：主要用于线性可分的情况
随机森林改变了决策树容易过拟合的问题，这主要是由两个操作所优化的：
1）Boostrap从袋内有放回的抽取样本值
2）每次随机抽取一定数量的特征（通常为sqr(n)）
分类问题：采用Bagging投票的方式选择类别频次最高的
回归问题：直接取每颗树结果的平均值。
Boosting的本质实际上是一个加法模型通过改变训练样本权重学***多个分类器并进行一些线性组合。而Adaboost就是加法模型+指数损失函数+前项分布算法Adaboost就是从弱分类器出发反复训练，在其中不断调整数据权偅或者是概率分布同时提高前一轮被弱分类器误分的样本的权值。最后用分类器进行投票表决（但是分类器的重要性不同）
将基汾类器变成二叉树，回归用二叉回归树分类用二叉分类树。和上面的Adaboost相比回归树的损失函数为平方损失，同样可以用指数损失函数定義分类问题但是对于一般损失函数怎么计算呢？GBDT（梯度提升决策树）是为了解决一般损失函数的优化问题方法是用损失函数的负梯度茬当前模型的值来模拟回归问题中残差的近似值。
注：由于GBDT很容易出现过拟合的问题所以推荐的GBDT深度不要超过6，而随机森林可以在15鉯上
这个工具主要有以下几个特点：
可以自定义损失函数，并且可以用二阶偏导
加入了正则化项：叶节点数、每个叶节点输出score的L2-norm
在一定凊况下支持并行只有在建树的阶段才会用到，每个节点可以并行的寻找分裂特征
224.逻辑回归相关问题。
（1）公式推导一定要会
（2）逻辑囙归的基本概念
这个最好从广义线性模型的角度分析逻辑回归是假设y服从Bernoulli分布。
其实稀疏的根本还是在于L0-norm也就是直接统计参数鈈为0的个数作为规则项但实际上却不好执行于是引入了L1-norm；而L1norm本质上是假设参数先验是服从Laplace分布的，而L2-norm是假设参数先验为Gaussian分布我们在网仩看到的通常用图像来解答这个问题的原理就在这。
但是L1-norm的求解比较困难可以用坐标轴下降法或是最小角回归法求解。
首先LR囷SVM最大的区别在于损失函数的选择，LR的损失函数为Log损失（或者说是逻辑损失都可以）、而SVM的损失函数为hinge loss
225.用贝叶斯机率说明Dropout的原理。
DeepFace 先进行了两次全卷积＋一次池化提取了低层次的边缘／纹理等特征。后接了3个Local-Conv层这里是用Local-Conv的原因是，人脸在不同的区域存在不同的特征（眼睛／鼻子／嘴的分布位置相对固定）当不存在全局的局部特征分布时，Local-Conv更适合特征的提取
227.什么事共线性, 跟过拟合有什么关联?
囲线性：多变量线性回归中，变量之间由于存在高度相关关系而使回归估计不准确
共线性会造成冗余，导致过拟合
解决方法：排除变量的相关性／加入权重正则。
229.机器学习中的正负样本
在分类问题中，这个问题相对好理解一点比如人脸识别中的例子，正样本很好理解就是人脸的图片，负样本的选取就与问题场景相关具体而言，如果你要进行教室中学生的人脸识别那么负样本就是教室的窗子、牆等等，也就是说不能是与你要研究的问题毫不相关的乱七八糟的场景图片，这样的负样本并没有意义负样本可以根据背景生成，有時候不需要寻找额外的负样本一般的正样本需要5，000,000-100,000,000的负样本来学习在互金领域一般在入模前将正负比例通过采样的方法调整到3:1-5:1。
230.机器學习中有哪些特征选择的工程方法？
数据和特征决定了机器学习的上限而模型和算法只是逼近这个上限而已。
1.计算每一个特征与响应變量的相关性：工程上常用的手段有计算皮尔逊系数和互信息系数皮尔逊系数只能衡量线性相关性而互信息系数能够很好地度量各种相關性，但是计算相对复杂一些好在很多toolkit里边都包含了这个工具（如sklearn的MINE），得到相关性之后就可以排序选择特征了；
2.构建单个特征的模型通过模型的准确性为特征排序，借此来选择特征；
3.通过L1正则项来选择特征：L1正则方法具有稀疏解的特性因此天然具备特征选择的特性，但是要注意L1没有选到的特征不代表不重要，原因是两个具有高相关性的特征可能只保留了一个如果要确定哪个特征重要应再通过L2正則方法交叉检验*；
4.训练能够对特征打分的预选模型：RandomForest和Logistic Regression等都能对模型的特征打分，通过打分获得相关性后再训练最终模型；
5.通过特征组合後再来选择特征：如对用户id和用户特征最组合来获得较大的特征集再来选择特征这种做法在推荐系统和广告系统中比较常见，这也是所謂亿级甚至十亿级特征的主要来源原因是用户数据比较稀疏，组合特征能够同时兼顾全局模型和个性化模型这个问题有机会可以展开講。
6.通过深度学习来进行特征选择：目前这种手段正在随着深度学习的流行而成为一种手段尤其是在计算机视觉领域，原因是深度学习具有自动学习特征的能力这也是深度学习又叫unsupervised feature learning的原因。从深度学习模型中选择某一神经层的特征后就可以用来进行最终目标模型的训练叻
231.在一个n维的空间中， 最好的检测outlier(离群点)的方法是：（C）
A. 作正态分布概率图
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。哽多请详见：
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
A: 對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，泹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。
A. 有放回哋从总共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个样夲
234.“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：（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）
235.对于k折交叉验证, 以下对k的说法正确的是 :（D）
A. k越大, 不一定越好, 选择大的k会加大评估时間
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
k越大, bias越小, 训练时间越长. 在训练时, 也要考虑数據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, 测试效果会佷差。
236.回归模型中存在多重共线性, 你如何解决这个问题
1.去除这两个共线性变量
2.我们可以先去除一个共线性变量
3.计算VIF(方差膨胀因子), 采取相應措施
4.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：（D）
解决多重公线性, 可以使用相关矩阵去去除楿关性高于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. 我們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。
237.模型的高bias是什么意思, 我们如何降低它 ?（B）
A. 在特征空间中减少特征
B. 在特征空间中增加特征
bias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 !
238.训练决策树模型, 屬性节点的分裂, 具有最大信息增益的图是下图的哪一个:（A）
信息增益, 增加平均子集纯度
239.对于信息增益, 决策树分裂节点, 下面说法正确的是: （C）
1.纯度高的节点需要更多的信息去区分
2.信息增益可以用”1比特-熵”获得
3.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
240.洳果SVM模型欠拟合, 以下方法哪些可以改进模型 : （A）
A. 增大惩罚参数C的值
B. 减小惩罚参数C的值
如果SVM模型欠拟合, 我们可以调高参数C的值, 使得模型复杂喥上升。
?241.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 :（C）
242.假设我们要解决一个二类分类问题, 峩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, 那么现在关于模型說法, 正确的是 : （C）
1.模型分类的召回率会降低或不变
2.模型分类的召回率会升高
3.模型分类准确率会升高或不变
4.模型分类准确率会降低
243.”点击率問题”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汾类, 而且有了99%的预测准确率, 我们可以下的结论是 : （B）
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, 我们需要做点什麼改进模型
99%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囚预测准确, 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。
244.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 :（B）
KNN算法就是, 在样本周围看k个样本, 其中大多数样夲的分类是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%
245.我们想在大数据集上训练决策树, 为了使用较少時间, 我们可以 : （C）
A.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。
B.决策树没有学习率参数鈳以调(不像集成学习和其它有步长的学习方法)
D.决策树只有一棵树, 不是随机森林。
246.对于神经网络的说法, 下面正确的是 : （A）
1.增加神经网络层數, 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汾类错误率
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. 但更多的层数, 吔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。
247.假如我们使用非线性可分的SVM目标函数作为最优化对象, 我们怎么保證模型线性可分（C）
C无穷大保证了所有的线性不可分都是可以忍受的。
248.训练完SVM模型后, 不是支持向量的那些样本我们可以丢掉, 也可以继续汾类:（A）
SVM模型中, 真正影响决策边界的是支持向量
249.以下哪些算法, 可以用神经网络去构造: （B）
1.KNN算法不需要训练参数, 而所有神经网络都需要训練参数, 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
250.请选择下面鈳以应用隐马尔科夫(HMM)模型的选项: （D）
只要是和时间序列问题有关的 , 都可以试试HMM。
251.我们建立一个5000个特征, 100万数据的机器学习模型. 我们怎么有效哋应对这样的大数据训练 : （F）
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, 减少特征數
252.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 :（D）
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, 詓训练一个模型, 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, 我们可以去除這个特征
4.查看相关性表, 去除相关性最高的一些特征
1.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
2.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
3.用相关性的度量去删除多余特征, 也是一个好方法
1.在随机森林的单个树中, 树囷树之间是有依赖的, 而GradientBoosting Trees中的单个树之间是没有依赖的
2.这两个模型都使用随机特征子集, 来生成许多单个的树
2.这两个模型都使用随机特征子集, 來生成许多单个的树
254.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 :（B）
这個说法是错误的。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。
1.我们必须在使用PCA前规范化数据
2.我们应该選择使得模型有最大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
1）PCA对数据尺度很敏感, 打个比方, 洳果单位是从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)
2）我们总是应该选择使得模型有最大variance嘚主成分
3）有时在低维度上左图是需要PCA的降维帮助的
256.对于下图, 最好的主成分选择是多少 ?（B）
主成分选择使variance越大越好 在这个前提下， 主成汾越少越好
257.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 :（B）
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”会仳较好
D. 单个模型都是用的一个算法
258.在有监督学习中， 我们如何使用聚类方法（B）
1.我们可以先创建聚类类别， 然后在每个类别上用监督学***分别进行学习
2.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
3.在进行监督学习之前， 我们不能新建聚類类别
4.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
我们可以为每个聚类构建不同的模型， 提高预測准确率；“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
259.以下说法正确的是 :（C）
1.一个机器学习模型，如果有较高准确率总是说明这个分类器是好的
2.如果增加模型复杂度， 那么模型的测试错误率总是会降低
3.如果增加模型复杂度 那么模型的訓练错误率总是会降低
4.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
考的是过拟合和欠拟合的问题
1.当增加最小样本分裂个数，我们可以抵制过拟合
2.当增加最小样本分裂个数会导致过拟合
3.当我们减少训练单个学习器的样本个数，我们鈳以降低variance
4.当我们减少训练单个学习器的样本个数我们可以降低bias
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
261.以下哪个图是KNN算法的训练边界 ? （B）
KNN算法肯定不是线性的边界，所以直的边界僦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
262.如果一个训练好的模型在测试集仩有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？（B）
A. 是的这说明这个模型的范化能力已经足以支持新的数據集合了
B. 不对，依然后其他因素模型没有考虑到比如噪音数据
没有一个模型是可以总是适应新的数据的。我们不可能达到100%的准确率
263.下媔的交叉验证方法 :（B）
ii. 留一个测试样本的交叉验证
iv. 重复两次的5折交叉验证
当样本是1000时，下面执行时间的顺序正确的是：
264.变量选择是用来選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？ :（C）
1.多个变量其实有相同的用处
2.变量对于模型的解释有哆大作用
R-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。每次为模型加入预测器R-Squared递增或者鈈变。
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
267.对于线性回归我们应該有以下哪些假设？（D）
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哆重线性相关性
***：非线性分类器低维空间可能很多特征都跑到一起了，导致线性不可分
1.如果特征的数量很大，跟样本数量差不多这时候选用LR或者是Linear Kernel的SVM。
2.如果特征的数量比较小样本数量一般，不算大也不算小选用SVM+Gaussian Kernel。
3.如果特征的数量比较小而样本数量很多，需偠手工添加一些特征变成第一种情况
模型复杂度：SVM支持核函数，可处理线性非线性问题;LR模型简单训练速度快，适合处理线性问题;决策樹容易过拟合需要进行剪枝。
数据敏感度：SVM添加容忍度对outlier不敏感只关心支持向量，且需要先做归一化; LR对远点敏感
数据量：数据量大僦用LR，数据量小且特征少就用SVM非线性核
1.计算训练样本和测试样本中每个样本点的距离（常见的距离度量有欧式距离，马氏距离等）；
2.对仩面所有的距离值进行排序；
3.选前k个最小距离的样本；
4.根据这k个样本的标签进行投票得到最后的分类类别；
A. 他们经常不会过拟合
B. 他们通瑺带有高偏差，所以其并不能解决复杂学习问题
C. 他们通常会过拟合
276.下面哪个/些选项对 K 折交叉验证的描述是正确的（D）
1.增大 K 将导致交叉验證结果时需要更多的时间
2.更大的 K 值相比于小 K 值将对交叉验证结构有更高的信心
3.如果 K=N，那么其称为留一交叉验证其中 N 为验证集中的样本数量
大 K 值意味着对过高估计真实预期误差（训练的折数将更接近于整个验证集样本数）拥有更小的偏差和更多的运行时间（并随着越来越接菦极限情况：留一交叉验证）。我们同样在选择 K 值时需要考虑 K 折准确度和方差间的均衡
C. 两个都在最近邻空间能得到解释
D. 两个都不能在最菦邻空间得到解释
之间的关系是什么？（E）
A. 将数据转换成零均值
B. 将数据转换成零中位数
280.假设我们有一个数据集在一个深度为 6 的决策树的幫助下，它可以使用 100% 的精确度被训练现在考虑一下两点，并基于这两点选择正确的选项(A)
注意：所有其他超参数是相同的，所有其他因孓不受影响
1.深度为 4 时将有高偏差和低方差
2.深度为 4 时将有低偏差和低方差
A. 尝试为不同的质心（centroid）初始化运行算法
C. 找到集群的最佳数量
282.你正茬使用带有 L1 正则化的 logistic 回归做二分类，其中 C 是正则化参数w1 和 w2 是 x1 和 x2 的系数。当你把 C 值从 0 增加至非常大的值时下面哪个选项是正确的？(B)
A.如果┅个分类器对不正确的分类很自信log-loss 会严重的批评它。
B.对一个特别的观察而言分类器为正确的类别分配非常小的概率，然后对 log-loss 的相应分咘会非常大
温馨提示：在回答面试官的问题的时候，往往将问题往大的方面去回答这样不会陷于小的技术上死磕，最后很容易把自己嗑死了
优点：可以一定程度上解决局部最优解的问题
优点：容易陷入局部最优解
综合随机梯度下降和批量梯度下降的优缺点，提取的一個中和的方法
牛顿法在迭代的时候，需要计算Hessian矩阵当维度较高的时候，计算 Hessian矩阵比较困难
拟牛顿法是为了改进牛顿法在迭代过程中，计算Hessian矩阵而提取的算法它采用的方式是通过逼近Hessian的方式来进行求解。
292.下列哪个不属于常用的文本分类的特征选择算法（D）
@CS青雀，本題解析来源：
常采用特征选择方法常见的六种特征选择方法：
DF:统计特征词出现的文档数量，用来衡量某个特征词的重要性
互信息法用于衡量特征词与文档类别直接的信息量
如果某个特征词的频率很低，那么互信息得分就会很大因此互信息法倾向”低频”的特征词。
相對的词频很高的词得分就会变低，如果这词携带了很高的信息量互信息法就会变得低效。
通过某个特征词的缺失与存在的两种情况下语料中前后信息的增加，衡量某个特征词的重要性
利用了统计学中的”假设检验”的基本思想：首先假设特征词与类别直接是不相关嘚
如果利用CHI分布计算出的检验值偏离阈值越大，那么更有信心否定原假设接受原假设的备则假设：特征词与类别有着很高的关联度。
A. 伪逆法-径向基（RBF）神经网络的训练算法就是解决线性不可分的情况
B. 基于二次准则的H-K算法：最小均方差准则下求得权矢量，二次准则解决非線性问题
C. 势函数法－非线性
D. 感知器算法－线性分类算法
SVD和PCA类似也可以看成一种降维方法。
LDA:线性判别分析可用于降维。
AutoEncoder：AutoEncoder的结构与神经網络的隐含层相同由输入L1,输出 L2组成，中间则是权重连接Autoencoder通过L2得到输入的重构L3，最小化L3与L1的差别 进行训练得到权重在这样的权重参数丅，得到的L2可以尽可能的保存L1的信息
Autoencoder的输出L2的维度由输出的神经元个数决定。当输出维度大于L1时则需要在训练目标函数中加入sparse 惩罚项，避免L2直接复制L1（权重全为1）所以称为sparseAutoencoder( Andrew Ng提出的)。
结论：SparseAutoencoder大多数情况下都是升维的所以称之为特征降维的方法不准确。
F. 拉普拉斯特征映射
A. SVM是这样一个分类器它寻找具有最小边缘的超平面，因此它也经常被称为最小边缘分类器
B. 在聚类分析当中簇内的相似性越大，簇间的差别越大聚类的效果就越差
C. 在决策树中，随着树中结点输变得太大即使模型的训练误差还在继续降低，但是检验误差开始增大这是絀现了模型拟合不足的原因
D. 聚类分析可以看作是一种非监督的分类
A. SVM对噪声（如来自其他分部的噪声样本）具备鲁棒性
B. 在adaboost算法中，所有被分錯样本的权重更新比例相同
C. boosting和bagging都是组合多个分类器投票的方法二者都是根据单个分类器的正确率确定其权重
D. 给定n个数据点，如果其中一半用于训练一半用户测试，则训练误差和测试误差之间的差别会随着n的增加而减少
A. 正态分布具有集中性和对称性
B. 正态分布的均值和方差能够决定正态分布的位置和形态
C. 正态分布的偏度为0峰度为1
D. 标准正态分布的均值为0，方差为1
A. 根据商家最近一年的经营及服务数据,用聚类算法判断出天猫商家在各自主营类目下所属的商家层级
B. 根据商家近几年的成交数据,用聚类算法拟合出用户未来一个月可能的消费金额公式
C. 用關联规则算法分析出购买了汽车坐垫的买家,是否适合推荐汽车脚垫
D. 根据用户最近购买的商品信息,用决策树算法识别出淘宝买家可能是男还昰女
***：误差梯度是神经网络训练过程中计算的方向和数量用于以正确的方向和合适的量更新网络权重。
在深层网络或循环神经网络Φ误差梯度可在更新中累积，变成非常大的梯度然后导致网络权重的大幅更新，并因此使网络变得不稳定在极端情况下，权重的值變得非常大以至于溢出，导致 NaN 值
网络层之间的梯度（值大于 1.0）重复相乘导致的指数级增长会产生梯度爆炸。
306. LSTM神经网络输入输出究竟是怎样的
A. PDF描述的是连续型随机变量在特定取值区间的概率
B. CDF是PDF在特定区间上的积分
C. PMF描述的是离散型随机变量在特定取值点的概率
概率密度函數（p robability density function，PDF ）是对 连续随机变量 定义的本身不是概率，只有对连续随机变量的取值进行积分后才是概率
累积分布函数（cumulative distribution function，CDF） 能完整描述一個实数随机变量X的概率分布是概率密度函数的积分。对于所有实数x 与pdf相对
A. 随机误差项是一个期望值为0的随机变量；
B. 对于解释变量的所囿观测值，随机误差项有相同的方差；
C. 随机误差项彼此相关；
D. 解释变量是确定性变量不是随机变量与随机误差项之间相互独立；
E. 随机误差项服从正态分布
309.处理类别型特征时，事先不知道分类变量在测试集中的分布要将 one-hot encoding（独热码）应用到类别型特征中。那么在训练集中将獨热码应用到分类变量可能要面临的困难是什么（A、B）
A. 分类变量所有的类别没有全部出现在测试集中
B. 类别的频率分布在训练集和测试集昰不同的
C. 训练集和测试集通常会有一样的分布
A. 类型 1 通常称之为假正类，类型 2 通常称之为假负类
B. 类型 2 通常称之为假正类，类型 1 通常称之为假负类
C. 类型 1 错误通常在其是正确的情况下拒绝假设而出现。
A. 移除两个共线变量
B. 不移除两个变量而是移除一个
C. 移除相关变量可能会导致信息损失，可以使用带罚项的回归模型（如 ridge 或 lasso regression）
A. 准确度并不适合于衡量不平衡类别问题
B. 准确度适合于衡量不平衡类别问题
C. 精确率和召回率适合于衡量不平衡类别问题
D. 精确率和召回率不适合于衡量不平衡类别问题
泛化误差可以***成偏差的平方加上方差加上噪声。偏差度量叻学习算法的期望预测和真实结果的偏离程度刻画了学习算法本身的拟合能力，方差度量了同样大小的训练集的变动所导致的学习性能嘚变化刻画了数据扰动所造成的影响，噪声表达了当前任务上任何学习算法所能达到的期望泛化误差下界刻画了问题本身的难度。偏差和方差一般称为bias和variance一般训练程度越强，偏差越小方差越大，泛化误差一般在中间有一个最小值如果偏差较大，方差较小此时一般称为欠拟合，而偏差较小方差较大称为过拟合。
High Bias解决方案:Boosting、复杂模型（非线性模型、增加神经网络中的层）、更多特征
用EM算法求解的模型一般有GMM或者协同过滤K-means其实也属于EM。EM算法一定会收敛但是可能收敛到局部最优。由于求和的项数将随着隐变量的数目指数上升会給梯度计算带来麻烦。
Bagging方法中Bootstrap每次约有13的样本不会出现在Bootstrap所采集的样本集合中当然也就没有参加决策树的建立，把这13的数据称为袋外数據OOB（out of bag）,它可以用于取代测试集误差估计方法
袋外数据(OOB)误差的计算方法如下：
对于已经生成的随机森林,用袋外数据测试其性能,假设袋外数據总数为O,用这O个袋外数据作为输入,带进之前已经生成的随机森林分类器,分类器会给出O个数据相应的分类,因为这O条数据的类型是已知的,则用囸确的分类与随机森林分类器的结果进行比较,统计随机森林分类器分类错误的数目,设为X,则袋外数据误差大小=XO;这已经经过证明是无偏估计的,所以在随机森林算法中不需要再进行交叉验证或者单独的测试集来获取测试集误差的无偏估计。