2025 年大学人工智能（机器学习基础）期中考核卷

2025年大学人工智能（机器学习基础）期中考核卷

（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，请将正确答案填在括号内）1.以下关于机器学习中监督学习的说法，错误的是（）A.监督学习需要有标注数据B.目标是学习一个模型用于预测C.常见算法有决策树、支持向量机等D.不依赖于数据的特征2.决策树的构建过程中，选择最优划分属性的依据通常是（）A.信息增益B.基尼系数C.均方误差D.以上都有可能3.支持向量机中，最大化间隔的目的是（）A.提高模型的泛化能力B.使模型更易训练C.减少计算量D.增加模型的复杂度4.下列关于线性回归的说法，正确的是（）A.只能处理线性关系的数据B.目标是找到一条直线拟合数据C.不考虑数据的噪声D.模型评估指标只有均方误差5.在K近邻算法中，K值的选择对结果影响较大，一般来说，K值较小会导致（）A.模型复杂度降低B.模型更鲁棒C.分类边界更平滑D.容易受到噪声影响6.神经网络中，激活函数的作用是（）A.增加模型的非线性B.加快模型训练速度C.减少参数数量D.提高模型的稳定性7.下列哪种算法不属于无监督学习（）A.聚类算法B.主成分分析C.线性回归D.自编码器8.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9.在梯度下降算法中，步长的选择对算法收敛速度有重要影响，步长过大可能会导致（）A.算法收敛到局部最优解B.算法无法收敛C.算法收敛速度变慢D.算法收敛到全局最优解10.朴素贝叶斯分类器的假设是（）A.各个特征之间相互独立B.特征服从正态分布C.数据具有线性可分性D.以上都不对二、多项选择题（总共5题，每题5分，每题至少有两个正确答案，请将正确答案填在括号内）1.以下哪些是机器学习中常用的模型评估指标（）A.准确率B.召回率C.F1值D.均方误差E.交叉熵2.决策树的剪枝策略包括（）A.预剪枝B.后剪枝C.随机剪枝D.基于代价复杂度的剪枝E.基于信息增益的剪枝3.支持向量机可用于解决以下哪些问题（）A.线性分类B.非线性分类C.回归问题D.聚类问题E.降维问题4.下列关于深度学习的说法，正确的有（）A.是机器学习的一个分支B.包含多个隐藏层的神经网络C.常用于处理图像、语音等复杂数据D.训练过程需要大量计算资源E.不需要人工特征提取5.无监督学习可以应用在以下哪些场景（）A.数据聚类B.异常检测C.数据降维D.图像生成E.情感分析三、判断题（总共10题，每题2分，请判断对错，在括号内填“√”或“×”）1.机器学习的目标是让计算机自动从数据中学习模式和规律。（）2.监督学习中的回归问题和分类问题没有本质区别。（）3.决策树的深度越大，其泛化能力越强。（）4.支持向量机在处理高维数据时表现较差。（）5.线性回归模型一定能准确拟合所有线性关系的数据。（）6.K近邻算法的时间复杂度与样本数量和维度无关。（）7.神经网络中的神经元个数越多，模型性能越好。（）8.无监督学习不需要任何人工标注的数据。（）9.随机森林中的每棵决策树都是完全相同的。（）10.朴素贝叶斯分类器对数据的先验分布有较强的假设。（）四、简答题（总共3题，每题10分）1.请简要介绍一下监督学习和无监督学习的区别，并各举一个实际应用例子。2.简述决策树的构建过程以及剪枝的必要性。3.说明梯度下降算法的原理，并列举其在机器学习中的一些应用场景。五、综合题（总共1题，20分）给定一个简单的二分类数据集，包含特征x1和x2，类别标签y。数据如下：|x1|x2|y||---|---|---||1|2|0||2|3|0||3|4|1||4|5|1|请使用决策树算法构建一个分类模型，并分析其决策过程。答案：一、单项选择题1.D2.A3.A4.B5.D6.A7.C8.A9.B10.A二、多项选择题1.ABCDE2.AB3.ABC4.ABCDE5.ABCD三、判断题1.√2.×3.×4.×5.×6.×7.×8.√9.×10.√四、简答题1.监督学习需要有标注数据，目标是学习一个模型用于预测，例如预测房价。无监督学习不需要标注数据，主要用于发现数据中的结构和规律，如客户细分。2.决策树构建过程：首先选择最优划分属性，对数据集进行划分，不断递归，直到满足停止条件。剪枝是为了防止过拟合，提高模型泛化能力。3.梯度下降算法原理：通过不断调整参数，使目标函数值下降。应用场景：线性回归、逻辑回归等模型的参数求解。五、综合题首先计算信息增