2025年大学大一（人工智能）机器学习基础阶段测试试题及答案

2025年大学大一（人工智能）机器学习基础阶段测试试题及答案

（考试时间：90分钟满分100分）班级______姓名______第I卷（选择题共30分）答题要求：本卷共6题，每题5分。在每题给出的四个选项中，只有一项是符合题目要求的。请将正确答案的序号填在题后的括号内。1.以下关于机器学习中监督学习的说法，正确的是（）A.监督学习不需要训练数据B.监督学习的目标是预测输入数据的类别或数值C.监督学习只有分类任务D.监督学习不需要标签答案：B2.下列哪个算法不属于线性分类器（）A.逻辑回归B.支持向量机C.决策树D.感知机答案：C3.在k近邻算法中，k的取值对结果的影响是（）A.k越大，分类越准确B.k越小，分类越准确C.k的取值不影响分类结果D.k适中时分类效果最好答案：D4.关于梯度下降算法，以下说法错误的是（）A.梯度下降是一种迭代优化算法B.梯度方向是函数值下降最快的方向C.梯度下降一定会收敛到全局最优解D.学习率影响梯度下降的收敛速度答案：C5.神经网络中的激活函数作用是（）A.增加模型的复杂度B.对输入进行非线性变换C.提高模型的训练速度D.降低模型的误差答案：B6.以下哪个是机器学习中常用的评估指标（）A.准确率B.召回率C.F1值D.以上都是答案：D第II卷（非选择题共70分）（一）填空题（每题5分，共10分）答题要求：请在每题的横线上填上正确答案。1.机器学习中，模型评估的常用方法有________________和________________。答案：留出法、交叉验证法2.决策树的构建过程主要包括________________和________________两个步骤。答案：特征选择、树的生成（二）简答题（每题10分，共20分）答题要求：简要回答问题，条理清晰。1.简述支持向量机的基本原理。答案：支持向量机是一种二分类模型，其基本原理是在特征空间中寻找一个最优超平面，将不同类别的样本正确分开，并且使得间隔最大化。通过核函数可以将低维空间的线性不可分问题转化为高维空间的线性可分问题，从而有效地处理非线性分类任务。2.解释什么是过拟合和欠拟合，并说明如何避免。答案：过拟合是指模型在训练数据上表现良好，但在测试数据上表现较差，模型过于复杂，包含了过多的噪声和无关特征。欠拟合是指模型在训练数据和测试数据上表现都较差，模型过于简单，没有捕捉到数据的特征。避免过拟合可以采用正则化、减少特征数量、增加训练数据等方法；避免欠拟合可以增加模型复杂度、选择更合适的数据特征等。（三）材料分析题（每题20分，共20分）材料：在一个医疗诊断场景中，收集了一批患者的数据，包括症状、体征等信息，同时已知患者是否患有某种疾病。现在要构建一个机器学习模型来预测患者是否患病。答题要求：根据材料回答问题，结合所学知识进行分析。1.请选择一种适合的机器学习算法，并说明理由。答案：可以选择逻辑回归算法。理由如下：逻辑回归是一种简单有效的线性分类算法，对于二分类问题有很好的表现。在这个医疗诊断场景中，目标是预测患者是否患病，属于二分类任务。逻辑回归模型形式简单，易于理解和解释，能够很好地处理线性可分的数据，并且可以通过最大似然估计等方法进行参数估计和模型训练。同时，逻辑回归在处理大规模数据时也具有较高的效率。（四）算法设计题（每题20分，共20分）答题要求：设计一个简单的机器学习算法来解决问题。1.设计一个基于k近邻算法的手写数字识别算法。已知有一组手写数字的图像数据，每个图像数据都有对应的数字标签。要求描述算法的主要步骤。答案：主要步骤如下：首先，对训练数据进行预处理，将图像数据转化为特征向量。然后，对于待识别的手写数字图像，同样进行预处理得到其特征向量。接着，根据k近邻算法，计算该特征向量与训练数据中所有特征向量的距离，选择距离最近的k个邻居。最后，根据这k个邻居中出现次数最多的数字标签，作为待识别图像的预测结果。（五）综合应用题（每题20分，共20分）答题要求：结合所学知识，综合运用解决实际问题。1.假设你要构建一个预测房价的模型。现有一批房屋数据，包括房屋面积、房间数量、房龄等特征，以及对应的房价。请描述你将如何构建这个模型，包括选择算法、数据预处理、模型训练和评估等步骤。答案：选择算法：可以考虑使用线性回归算法，因为房价和房屋面积、房间数量、房龄等特征之间可能存在线性关系。数据预处理：对数据进行清洗，去除缺失值和异常值。对特征进行归一化处理，使得不同特征具有相同的尺度。模型训练：将处理后的数据分为训练集和测试集，使用训练集