2025 年大学人工智能（机器学习基础）期中测试卷

2025年大学人工智能（机器学习基础）期中测试卷

（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.旨在让计算机通过数据自动学习模式C.机器学习只适用于数据量较小的情况D.可以分为监督学习、无监督学习和强化学习等类别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.既没有特征也没有标签3.决策树算法中，用于选择最佳划分属性的指标通常是（）A.信息增益B.基尼指数C.均方误差D.A和B都有可能4.以下哪种算法不属于无监督学习（）A.K均值聚类算法B.主成分分析算法C.支持向量机算法D.密度聚类算法5.支持向量机的目标是找到一个（）A.最大间隔超平面B.最小间隔超平面C.过所有样本点的超平面D.不过任何样本点的超平面6.对于线性回归模型，其损失函数通常采用（）A.交叉熵损失B.均方误差损失C.对数损失D.绝对值损失7.在K均值聚类算法中，K的选择通常（）A.是一个固定值，由专家确定B.需要通过交叉验证等方法来确定C.越大越好D.越小越好8.神经网络中的激活函数作用是（）A.增加模型的非线性B.使模型计算更快C.减少模型参数D.提高模型的准确性9.随机森林是由多个（）组成的集成学习模型。A.决策树B.神经网络C.支持向量机D.线性回归模型10.以下关于模型评估指标的说法，正确的是（）A.准确率越高，模型性能一定越好B.召回率和精确率是相互独立的指标C.F1值综合考虑了召回率和精确率D.均方误差只适用于分类问题二、多项选择题（总共5题，每题5分，每题有多个正确答案，请将正确答案填写在括号内，少选、多选、错选均不得分）1.机器学习的主要应用领域包括（）A.自然语言处理B.图像识别C.推荐系统D.数据分析E.金融风险预测2.以下属于监督学习算法的有（）A.逻辑回归B.朴素贝叶斯C.梯度下降D.决策树E.神经网络3.在模型评估中，常用的评估指标有（）A.准确率B.召回率C.F1值D.均方误差（针对回归问题）E.交叉熵损失（针对分类问题）4.无监督学习可以用于（）A.数据降维（如主成分分析）B.异常检测C.聚类分析D.预测未来值E.图像分割5.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模型C.深度学习在图像、语音等领域取得了巨大成功D.深度学习模型训练通常需要大量的数据E.深度学习算法简单，容易理解三、判断题（总共10题，每题2分，请判断对错，在括号内填写“√”或“×”）1.机器学习就是让计算机像人一样思考和学习。（）2.监督学习中的标签一定是数值型的。（）3.决策树算法对数据的特征尺度不敏感。（）4.无监督学习不需要任何训练数据。（）5.支持向量机只能处理线性可分的数据。（）6.线性回归模型可以很好地处理非线性关系。（）7.在K均值聚类算法中聚类中心一旦确定就不会再改变。（）8.激活函数的导数为0时会导致梯度消失问题。（）9.随机森林中每棵决策树的训练数据是相同的。（）10.模型评估指标只用于评估训练好的模型，不能用于选择模型。（）四、简答题（总共3题，每题10分，请简要回答问题）1.请简述监督学习、无监督学习和强化学习的区别。2.决策树算法中，信息增益和基尼指数是如何计算的？它们在选择划分属性时的作用是什么？3.简述梯度下降算法的基本原理，并说明其在机器学习中的应用场景。五、论述题（总共1题，每题20分，请详细阐述你的观点）请论述深度学习在人工智能发展中的重要地位和作用，并举例说明其在实际应用中的优势。答案：一、单项选择题1.C2.A3.D4.C5.A6.B7.B8.A9.A10.C二、多项选择题1.ABCDE2.ABDE3.ABCDE4.ABCE5.ABCD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，目标是学习特征到标签的映射；无监督学习无标注数据，用于发现数据中的结构和规律；强化学习通过智能体与环境交互，根据奖励信号学习最优策略。2.信息增益计算：父节点熵减去子节点熵的加权和；基尼指数计算：1减去各类别概率平方和。用于选择使数据纯度提升最大的属性作为划分属性。3.梯度下降沿梯度反方向更新参数，使损失函数值减小。应用于线性回归、逻辑回归等优化模型参数。五、论述题深度学习在人工智能中地位重要。它通过多层神经网络自动提取数据特征，无需人工复杂特征工程。在图像识别中能准