解题思路
这是写死规则的线性分类：补偏置、标签映成正负一、全零起步，固定十轮、学习率一，按原顺序遇错就更新。
- 每条训练特征前面加
1，标签 0/1 变成 -1/+1。
- 权向量 h 从全
0 开始。一轮里按输入顺序扫样本，用 h⊤vˉ≥0 判成 +1 否则 −1；判错就把 t⋅vˉ 加到 h 上。
- 这样连走
10 轮。测试时用同一套符号函数，再把 +1 映回 1、$-1映回0`。
题目内容
仓储质检组要用一条固定规则的线性判别，给待检货位打上好坏标签。值班员必须按当晚工艺单写死的学习率、轮数和更新顺序训练，再对抽检清单输出预测，不能改成别的分类器。
每条训练记录是一组货位特征 v 和一个标签 y∈{0,1}，其中 0 表示不合格，1 表示合格。训练时先把标签映成 t∈{−1,+1}：
- y=0 映成 t=−1
- y=1 映成 t=+1
特征要补上偏置：vˉ=[1,v]。权向量 h 从全 0 开始，学习率固定为 1.0，一共训练 10 轮。每一轮按训练集原始顺序扫一遍：
- 预测符号 t^=sign(h⊤vˉ)
- sign 规定：h⊤vˉ≥0 时 t^=+1，否则 t^=−1
- 若 t^=t，更新 h←h+1.0⋅t⋅vˉ
测试时用同一套 sign 得到 t^，再映回标签：+1 映成 1，-1 映成 0。
输入描述
标准输入是一段 JSON，含两个键 train 和 test。
train：训练列表，每个元素为 [特征列表, 标签y]，标签只取 0 或 1test：测试列表，每个元素为一组特征
输出描述
输出一行 JSON，内容为预测标签列表，每个值是 0 或 1，顺序与 test 一致。
样例1
输入
{"train": [[[0], 0], [[1], 0], [[4], 1], [[5], 1]], "test": [[0], [1], [2], [3], [4], [5]]}
输出
[0, 0, 1, 1, 1, 1]
说明
一维货位读数较小的两条标成不合格，较大的两条标成合格。按固定规则训练 10 轮后，分界落在 1 与 2 之间，因此测试六个点的预测是前两个 0、后四个 1。
样例2
输入
{"train": [[[0, 0], 0], [[2, 0], 1]], "test": [[0, 0], [2, 0], [1, 0]]}
输出
[0, 1, 1]
说明
只有两条训练样本。权向量从零开始，遇错就加一刀，测点两个原样本保持原标签，中间点被判成合格。
