大学（人工智能导论）机器学习基础2026年阶段测试题及答案

大学（人工智能导论）机器学习基础2026年阶段测试题及答案

（考试时间：90分钟满分100分）班级______姓名______一、选择题（总共10题，每题3分，每题只有一个正确答案，请将正确答案填入括号内）1.以下关于机器学习的说法，错误的是（）A.机器学习是一门多领域交叉学科B.它致力于研究计算机怎样模拟或实现人类的学习行为C.机器学习主要分为监督学习、无监督学习和半监督学习D.机器学习就是让计算机自动从数据中获取知识并进行预测的过程，数据量大小对其没有影响2.在监督学习中，训练数据包含（）A.特征和标签B.仅特征C.仅标签D.既无特征也无标签3.决策树学习的核心是（）A.构建决策规则B.计算信息增益C.划分数据集D.以上都是4.支持向量机（SVM）的主要目标是（）A.找到最大间隔超平面B.最小化分类错误C.最大化数据点之间的距离D.以上都不对5.下列哪个算法不属于无监督学习算法（）A.K均值聚类算法B.主成分分析算法C.朴素贝叶斯算法D.层次聚类算法6.对于线性回归模型，损失函数通常采用（）A.交叉熵损失B.均方误差损失C.绝对值损失D.以上都可以7.在K近邻算法中，K的取值（）A.越大越好B.越小越好C.需要根据具体情况选择合适的值D.固定为某个值8.神经网络中的激活函数作用是（）A.增加模型的复杂度B.引入非线性因素C.提高模型的收敛速度D.以上都不是9.随机森林是由多个（）组成的集成学习模型。A.决策树B.支持向量机C.神经网络D.线性回归模型10.梯度下降算法是用于（）A.求解优化问题中的最优解B.对数据进行分类C.对数据进行聚类D.以上都不对二、多项选择题（总共5题，每题4分，每题至少有两个正确答案，请将正确答案填入括号内）1.以下属于监督学习算法的有（）A.逻辑回归B.决策树C.支持向量机D.K均值聚类2.无监督学习可以用于（）A.用户行为分析B.数据降维C.异常检测D.预测房价3.机器学习中的评估指标，对于分类问题常用的有（）A.准确率B.召回率C.F1值D.均方误差4.以下关于深度学习的说法正确的是（）A.深度学习是机器学习的一个分支B.包含多个隐藏层的神经网络是深度学习的典型代表C.深度学习在图像识别、语音识别等领域取得了巨大成功D.深度学习算法简单，容易理解5.优化算法在机器学习中用于（）A.调整模型参数B.提高模型性能C.加快模型收敛速度D.减少数据量三、判断题（总共10题，每题2分，请判断对错，在括号内打“√”或“×”）1.机器学习只能处理数值型数据。（）2.无监督学习不需要人工标注的数据。（）3.决策树生成过程中，信息增益越大，划分越合理。（）4.支持向量机只能处理线性可分的数据。（）5.线性回归模型可以很好地处理非线性关系。（）6.K近邻算法的时间复杂度与数据量成正比。（）7.神经网络层数越多，模型效果一定越好。（）8.随机森林中每个决策树的训练数据是相同的。（）9.梯度下降算法每次迭代都会使损失函数值减小。（）10.交叉验证可以更准确地评估模型性能。（）四、简答题（总共3题，每题10分）1.请简要介绍监督学习和无监督学习的区别。2.阐述决策树的构建过程。3.说明梯度下降算法的原理及在机器学习中的作用。五、综合题（总共2题，每题15分）1.假设你有一个数据集，包含多个特征和一个标签，你希望使用决策树算法进行分类。请描述你会如何进行以下操作：-数据预处理。-选择合适的决策树算法。-评估模型性能并进行调优。2.已知一个简单的线性回归模型\(y=wx+b\)，现在有一组训练数据\((x_1,y_1),(x_2,y_2),...,(x_n,y_n)\)，请推导使用梯度下降算法求解模型参数\(w\)和\(b\)的过程。答案：一、选择题1.D2.A3.D4.A5.C6.B7.C8.B9.A10.A二、多项选择题1.ABC2.ABC3.ABC4.ABC5.ABC三、判断题1.×2.√3.√4.×5.×6.√7.×8.×9.×10.√四、简答题1.监督学习有标注数据，模型学习特征与标签关系用于预测；无监督学习无标注数据，旨在发现数据内在结构和规律，如聚类、降维。2.先确定根节点，计算各特征信息增益选最大的为划分属性；对划分后的子集递归重复此过程，直到满足停止条件，如子集样本全属同一类或无特征可分等。3.原理是沿损失函数负梯度方向更新参数。作用是通过迭代调整模型参数，使损失函数最小，从而找到最优模型参数，用于回归和分类等模型训练。五、综合题1.数据预处理：检查数据缺失值，用合适方法填充；处理异常值，可删除或修正；对特征进行归一化或标准化。选择ID3、C4.5等算法。用交叉验证评估，如准确率、召回率等，通过调整参数（如树深度）调优。2.对于\(w\)，梯度\(\frac{\partialL}{\partialw}=2\sum_{i=1}^{n}(wx_i+b-y_i)x_i\)，更新公式\(w=w-\alpha\frac{\partialL}{\partialw}\)；对于\(b\)，梯度\(\frac{\partialL}{\p