2025 年大学人工智能（机器学习）下学期期末测试卷

2025年大学人工智能（机器学习）下学期期末测试卷

（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无监督学习算法？（）A.K-Means算法B.决策树算法C.主成分分析算法D.高斯混合模型算法2.在支持向量机中，核函数的作用是（）。A.对数据进行降维B.对数据进行分类C.将低维空间中的线性不可分问题转化为高维空间中的线性可分问题D.对数据进行特征提取3.下列关于梯度下降算法的说法，错误的是（）。A.梯度下降算法是一种迭代优化算法B.梯度下降算法的目标是找到使损失函数最小化的参数值C.梯度下降算法的步长越大，收敛速度越快D.梯度下降算法可能会陷入局部最优解4.随机森林算法中，每棵决策树是（）。A.基于相同的数据集构建的B.基于不同的数据集构建的C.基于相同的特征子集构建的D.基于不同的特征子集构建的5.对于线性回归模型，以下哪种评价指标可以用来衡量模型的预测准确性？（）A.准确率B.召回率C.均方误差D.F1值6.在神经网络中，激活函数的作用是（）。A.对输入数据进行线性变换B.增加模型的非线性能力C.对模型进行正则化D.对模型进行优化7.以下哪种机器学习算法常用于处理文本分类问题？（）A.朴素贝叶斯算法B.K近邻算法C.支持向量机算法D.以上都是8.交叉验证的主要目的是（）。A.评估模型的泛化能力B.评估模型的训练速度C.评估模型的复杂度D.评估模型的可解释性9.当数据存在缺失值时，以下哪种处理方法是不正确的？（）A.直接删除包含缺失值的样本B.使用均值、中位数等统计量填充缺失值C.使用机器学习算法预测缺失值D.不做任何处理10.在聚类算法中，簇内样本相似度高，簇间样本相似度低，这体现了聚类的（）。A.紧致性B.分离性C.稳定性D.多样性二、多项选择题（总共5题，每题4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.以下属于监督学习算法的有（）。A.线性回归算法B.逻辑回归算法C.决策树算法D.聚类算法2.关于模型评估指标，以下说法正确的是（）。A.准确率适用于所有分类问题B.召回率在关注正例识别的场景中很重要C.F1值综合考虑了准确率和召回率D.均方误差适用于回归问题3.以下哪些方法可以用于特征选择？（）A.信息增益B.主成分分析C.LASSO回归D.决策树的基尼系数4.神经网络中的优化算法包括（）。A.随机梯度下降B.Adagrad算法C.RMSProp算法D.Adam算法5.以下关于机器学习模型的说法，正确的是（）。A.模型的复杂度越高，性能越好B.过拟合会导致模型在训练集上表现好，但在测试集上表现差C.欠拟合会导致模型在训练集和测试集上表现都差D.正则化可以防止模型过拟合三、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.无监督学习不需要标注数据。（）2.决策树算法只能处理数值型数据。（）3.支持向量机中的间隔最大化原则是为了提高模型的泛化能力。（）4.梯度下降算法中，步长是固定不变的。（）5.随机森林算法比单棵决策树算法更容易出现过拟合。（）6.线性回归模型的目标是找到一条直线，使所有样本点到该直线的距离之和最小。（）7.激活函数必须是线性函数。（）8.朴素贝叶斯算法基于贝叶斯定理和特征条件独立假设。（）9.交叉验证中，折数越多，评估结果越准确，但计算量也越大。（）10.数据归一化可以提高模型的收敛速度。（）四、简答题（总共3题，每题10分，请简要回答问题）1.请简述K-Means算法的基本步骤。2.什么是模型的过拟合和欠拟合？如何避免过拟合和欠拟合？3.简述支持向量机的基本原理。五、综合应用题（总共1题，每题20分，请结合所学知识，解决实际问题）假设你有一个关于房价预测的数据集，包含房屋面积、房间数量、房龄等特征，以及对应的房价。请使用线性回归算法建立一个房价预测模型，并回答以下问题：1.如何对数据进行预处理？2.如何划分训练集和测试集？3.如何评估模型的性能？答案：一、单项选择题1.B2.C3.C4.D5.C6.B7.D8.A9.D10.A二、多项选择题1.ABC2.BCD3.ABC4.ABCD5.BCD三、判断题1.√2.×3.√4.×5.×6.×7.×8.√9.√10.√四、简答题1.K-Means算法基本步骤：首先随机选择K个聚类中心；然后计算每个样本到聚类中心的距离，将样本分配到距离最近的聚类中心所在的簇；接着重新计算每个簇的中心；重复上述步骤，直到聚类中心不再变化或达到最大迭代次数。2.过拟合是指模型在训练集上表现很好，但在测试集上表现很差，原因是模型过于复杂，学习了训练数据中的噪声；欠拟合是指模型在训练集和测试集上表现都很差，原因是模型过于简单，没有学习到数据中的规律。避免过拟合可采用正则化、剪枝、增加数据、降低模型复杂度等方法；避免欠拟合可增加特征、使用更复杂的模型等。3.支持向量机基本原理：对于线性可分的数据，找到一个超平面将数据正确分类，并且使两类数据到超平面的距离最大化；对于线性不可分的数据，通过核函数将低维空间中的数据映射到高维空间，使其变为线性可分，然后找到最优超平面进行分类。五、综合应用题1.数据预处理：检查数据是否有缺失值，可使用均值、中位数等填充；对数值型特征进行归一化处理，如使用Min-Max归一化或Z-score归一化；对类别型特征进行独热编码等。2.划分训练集和测试集：可使用sklear