2025 年大学人工智能（机器学习）上学期阶段卷

2025年大学人工智能（机器学习）上学期阶段卷

（考试时间：90分钟满分100分）班级______姓名______一、单项选择题（总共10题，每题3分，每题只有一个正确答案，请将正确答案填写在括号内）1.以下哪种算法不属于监督学习算法？（）A.决策树B.支持向量机C.聚类算法D.逻辑回归2.在k近邻算法中，k的取值对结果影响较大，当k取值较小时，模型会（）。A.更复杂B.更简单C.更泛化D.更容易受到噪声影响3.下列关于线性回归模型的说法，错误的是（）。A.目标是找到一条直线来拟合数据B.可用于预测连续值C.不考虑特征之间的相关性D.最小化预测值与真实值之间的误差平方和4.支持向量机的核心思想是（）。A.寻找最大间隔超平面B.进行聚类C.构建决策树D.进行降维5.对于决策树，以下说法正确的是（）。A.只能处理数值型数据B.容易产生过拟合C.构建过程不需要考虑特征重要性D.决策树深度越大越好6.逻辑回归模型主要用于（）。A.回归分析B.分类问题C.聚类分析D.降维7.在朴素贝叶斯算法中，“朴素”的含义是（）。A.算法简单B.假设特征之间相互独立C.计算速度快D.不需要训练数据8.以下哪种方法不属于特征选择的方法？（）A.主成分分析B.信息增益C.岭回归D.LASSO回归9.对于神经网络，以下说法错误的是（）。A.由多个神经元组成B.可以自动提取数据特征C.训练过程不需要优化算法D.可用于图像识别等任务10.梯度下降法是一种常用的优化算法，它的目的是（）。A.计算梯度B.寻找函数的最大值C.寻找函数的最小值D.计算损失函数二、多项选择题（总共5题，每题5分，每题有两个或两个以上正确答案，请将正确答案填写在括号内，多选、少选、错选均不得分）1.下列属于监督学习的有（）。A.决策树B.聚类算法C.支持向量机D.朴素贝叶斯E.主成分分析2.关于决策树的剪枝，以下说法正确的是（）。A.预剪枝可以减少训练时间B.后剪枝可以降低过拟合风险C.预剪枝会降低模型的泛化能力D.后剪枝会增加模型的复杂度E.剪枝会影响决策树的准确性3.支持向量机的核函数有（）。A.线性核B.高斯核C.多项式核D.拉普拉斯核E.指数核4.以下哪些是处理过拟合的方法？（）A.增加训练数据B.正则化C.剪枝决策树D.减少特征数量E.增加模型复杂度5.对于神经网络的激活函数，以下说法正确的是（）。A.Sigmoid函数可用于二分类问题B.ReLU函数能缓解梯度消失问题C.Tanh函数输出值在[-1,1]之间D.激活函数能使神经网络具有非线性E.所有激活函数都能加快神经网络训练三、判断题（总共10题，每题2分，请判断对错，正确的打“√”，错误的打“×”）1.机器学习就是让计算机自动从数据中学习模式和规律。（）2.监督学习中，训练数据既有特征又有标签。（）3.k近邻算法中，k值越大，模型越容易受到噪声影响。（）4.线性回归模型只能处理线性关系的数据。（）5.支持向量机在处理高维数据时效果很好。（）6.决策树构建过程中不需要对特征进行排序。（）7.逻辑回归模型的输出值是一个概率值。（）8.朴素贝叶斯算法对缺失值敏感。（）9.特征选择可以提高模型的训练速度和泛化能力。（）10.神经网络的层数越多，效果一定越好。（）四、简答题（总共3题，每题10分，请简要回答问题）1.请简述梯度下降法的基本原理。2.说明支持向量机中最大间隔超平面的作用。3.简述决策树的构建过程。五、综合题（总共2题，每题15分，请结合所学知识，综合分析并回答问题）1.假设有一个数据集，包含多个特征和一个二分类标签。请描述如何使用逻辑回归模型进行分类，并说明如何评估模型的性能。2.对于一个图像识别任务，如何选择合适的机器学习算法，并阐述其理由。答案：一、单项选择题1.C2.D3.C4.A5.B6.B7.B8.C9.C10.C二、多项选择题1.ACD2.ABE3.ABC4.ABCD5.ABD三、判断题1.√2.√3.×4.√5.√6.×7.√8.√9.√10.×四、简答题1.梯度下降法是一种迭代优化算法，用于寻找函数的最小值。它从初始点开始，沿着函数梯度的反方向不断更新参数，使得目标函数值逐渐减小。每次更新时，根据当前点的梯度计算步长，然后移动到新的点。通过多次迭代，最终收敛到函数的最小值点。2.最大间隔超平面是支持向量机中的关键概念。它的作用是将不同类别的数据点尽可能地分开，并且使得间隔最大化。这样可以提高模型的泛化能力，减少误分类的可能性。位于间隔边界上的点称为支持向量，它们对确定超平面起着关键作用。3.决策树的构建过程：首先，选择一个最优特征作为根节点，根据该特征的不同取值将数据集划分为多个子集。然后，对每个子集重复上述过程，选择新的最优特征作为子节点，继续划分，直到满足停止条件，如所有子集属于同一类或子集为空等。停止条件满足后，决策树构建完成。五、综合题1.使用逻辑回归模型进行分类：首先对数据集进行预处理，包括数据清洗、特征缩放等。然后将数据集划分为训练集和测试集。使用训练集训练逻辑回归模型，通过优化算法调整模型参数，使模型的损失函数最小。训练完成后，使用测试集评估模型性能。评估指标可以包括准确率、精确率、召回率、F1值等。通过计算这些指标来衡量模型对不同类别的分类能力。2.对于图像识别任务，可以选择卷积神经网络（CNN）。理由如下：CNN具有强大的特征提取能力，能够自动从图像